Hitrate介绍

Hitrate（命中率）是一个用于评估召回阶段效果的指标。它的核心逻辑是看系统在召回阶段能不能”猜中”用户最终真正感兴趣的那些物品。

指标定义

Hit Rate 关注的是有没有，而不是排第几。

• 场景：给定一个用户 $u$，模型生成一个长度为 $K$ 的推荐列表（Top-K List）。
• 正样本：用户在测试集中实际产生过交互（如点击、购买）的物品集合 $G_u$ (Ground Truth)。
• 命中 (Hit)：如果推荐列表中的任意一个物品出现在 $G_u$ 中，则记为一次 Hit（值为 1），否则为 0。
• 计算方式：对所有测试用户取平均值。

$$\text{Hit Rate}@K = \frac{1}{N} \sum_{i=1}^{N} \mathbb{I}(\text{RecList}_i \cap G_i \neq \emptyset)$$

其中：

• $N$：用户总数。
• $\text{RecList}_i$：给第 $i$ 个用户推荐的 Top-K 个物品。
• $G_i$：第 $i$ 个用户实际喜欢的物品集合。
• $\mathbb{I}(\cdot)$：指示函数，条件满足为 1，否则为 0。

示例

假设我们要评估 Top-5 (K=5) 的推荐效果：

• 用户 A：

  • 实际喜欢：[商品X, 商品Y]
  • 模型推荐：[商品A, 商品B, **商品X**, 商品C, 商品D]
  • 结果：Hit (因为推荐列表里包含了商品X)。Hit Rate 贡献 = 1。
  • 注意：虽然商品X排在第3位，但在 Hit Rate 看来，它和排在第1位是一样的。

• 用户 B：

  • 实际喜欢：[商品Z]
  • 模型推荐：[商品A, 商品B, 商品C, 商品D, 商品E]
  • 结果：Miss (没包含商品Z)。Hit Rate 贡献 = 0。

• 用户 C：

  • 实际喜欢：[商品M, 商品N]
  • 模型推荐：[**商品M**, **商品N**, 商品A, 商品B, 商品C]
  • 结果：Hit。Hit Rate 贡献 = 1。
  • 注意：即使用户C的两个喜好都命中了，Hit Rate 依然只记为 1，不会记为 2。

如果有 100 个用户，其中 60 个用户的推荐列表里至少有一个他们喜欢的物品，那么 Hit Rate@5 = 60%。

优缺点

优点：

1. 直观易懂：业务方很容易理解，“每 100 次请求中，有 60 次我们成功猜中了用户想要的东西”。
2. 对冷启动友好：只要推荐列表里有一个对的就算成功，不要求非常精准地排在第一位，适合评估召回层（从万级池子捞出千级候选）的效果。
3. 计算简单：不需要复杂的折扣因子。

缺点：

1. 忽略排序位置：这是最大的缺陷。把正确物品排在第 1 位和第 5 位，对 Hit Rate 的贡献是一样的。但在实际业务中，第 1 位的价值远大于第 5 位。
   • 对比指标：NDCG (Normalized Discounted Cumulative Gain) 或 MRR (Mean Reciprocal Rank) 会考虑位置权重。
2. 忽略命中数量：用户喜欢 5 个物品，你命中 1 个和命中 5 个，Hit Rate 都是 1。这无法反映推荐的丰富度或覆盖率。
   • 对比指标：Recall@K (召回率) 会计算命中的比例（命中数/总正样本数）。
3. 对长尾不敏感：如果正样本很多，只要命中一个容易的热门物品就能得分，可能掩盖模型对长尾物品挖掘能力的不足。