解释来自lightFM的结果

Question

我在一个用户项事务数据集上构建了一个推荐模型，其中每个事务用1表示。

model = LightFM(learning_rate=0.05, loss='warp')

以下是结果

Train precision at k=3:  0.115301
Test precision at k=3:  0.0209936

Train auc score:  0.978294
Test auc score : 0.810757

Train recall at k=3:  0.238312330233
Test recall at k=3:  0.0621618086561

有人能帮我解释一下这个结果吗？我怎么会得到这么好的auc分数和这么差的准确率/召回率？对于'bpr‘贝叶斯个性化排名，精确度/召回率更差。

预测任务

users = [0]
items = np.array([13433, 13434, 13435, 13436, 13437, 13438, 13439, 13440])
model.predict(users, item)

结果

array([-1.45337546, -1.39952552, -1.44265926, -0.83335167, -0.52803332,
   -1.06252205, -1.45194077, -0.68543684])

我如何解释预测分数？

谢谢

Answer 1

当谈到AUC的精度@K之间的区别时，你可能想看看我的答案：Evaluating the LightFM Recommendation Model。

分数本身没有定义的尺度，也无法解释。只有在为给定用户定义项目排名的上下文中，它们才有意义，得分越高，表示预测的偏好越强。