Mahout中基于布尔偏好的商品推荐中的精确性与召回

Question

我试图使用mahout中给出的项目推荐来计算具有布尔偏好的数据集的精确性和回忆性。

我正在使用GenericBooleanPrefItemBasedRecommender和

评估(recommenderBuilder recommenderBuilder，DataModelBuilder dataModelBuilder，DataModel dataModel，IDRescorer rescorer，int at，double relevanceThreshold，double evaluationPercentage)抛出TasteException；

因为有布尔偏好，用户的“相关”或“好”电影集都是1级的。

如果我多次运行相同的代码，它总是给出相同的精度和回忆值，并且它们总是相等的。为什么？我没有使用RandomUtils.useTestSeed()，它是如何将数据分割成训练和测试集的？

可能性：

(A)将整个数据集随机分为开始时的测试和训练，或对每个用户随机地将一个固定百分比的相关电影放入测试集：：既然没有用户作为parameter.Why输入这个百分比，那么每次运行代码时，我会得到相同的P值和R值吗?为什么P在n和R的值是相同的？

(B)对于每个用户，它将所有相关影片放在培训集中:然后用户没有任何信息可供提出任何建议，因此不可能提供建议。

由于我在n处得到P和R的值相等，这是否意味着对于每个用户，相关电影的数量每次都被移动到测试集=推荐数，即n。如果测试集中的n个相关电影是随机的，那么为什么每次运行代码时都得到相同的P和R值。

我能想到的唯一解释就是结果是推荐人在n处计算P和R如下:一个接一个，每个用户随机地将n个相关的电影放在测试集中。进程必须是随机的，因为它不能区分所有相关的电影，但是进程是固定的，每次运行代码时，它都为每个用户选择相同的n个相关的电影。然后提出n个建议，并在n处计算P和R。

虽然这解释了结果，但我不认为这是一个很好的过程，因为：

1)培训和测试集的概念没有定义为百分比，因此不符合通常的定义。

2) P和R总是相等的，因此我们只能得到一个度量，而不是两个度量。

3)随机采摘“n”电影的过程每次都是相同的。

编辑:我正在添加我的完整代码，以防它帮助回答我的问题：

公共静态空主(String[] args)抛出异常{

FileDataModel model = new FileDataModel(new File("data/test.csv"));
RecommenderIRStatsEvaluator evaluator = new GenericRecommenderIRStatsEvaluator();
RecommenderBuilder recommenderBuilder = new RecommenderBuilder() {
@Override
public Recommender buildRecommender(DataModel model) {
ItemSimilarity similarity = new LogLikelihoodSimilarity(model);
return new GenericBooleanPrefItemBasedRecommender(model, similarity);
}
};

IRStatistics stats = evaluator.evaluate(
recommenderBuilder, null, model, null, 5,
GenericRecommenderIRStatsEvaluator.CHOOSE_THRESHOLD,1.0);

System.out.println(stats.getPrecision());
System.out.println(stats.getRecall());
}

Answer 1

不确定，但是如果您每次使用一个具有相同值的随机数生成器，它返回的数字序列将是相同的。检查是否有一种方法可以用系统时间之类的东西为rng添加种子。只是猜一下。

Answer 2

看看我对相关问题的回答：How mahout's recommendation evaluator works

我认为这将帮助您了解评估是如何工作的，如何选择相关的项目，以及如何计算精确性和召回。