2017年软件工程论文：3个实验结果和分析，命中率和召回率

2023-10-21 理论教育版权反馈

【摘要】：图4不同训练集下的整体命中率和召回率图5银行卡刷卡月均活跃区间命中率和召回率上述测试结果表明：针对同一批训练集，策略一和策略二的命中率、召回率和覆盖率非常接近，而策略三远低于前两个策略。但从持卡人的正常刷卡频次和模型训练角度分析，月均消费笔数在区间[2，4]属于较正常的消费行为，这部分用户其平均命中率达到18.3%，平均召回率达到31%。

为了充分验证推荐算法的效果，根据用户过去的消费行为记录，实验共设计了三种不同的推荐策略：策略一，给用户推荐全部商户；策略二，给用户推荐近段时间没有消费过的商户；策略三，给用户推荐从来没有消费过的商户。同时设定三个训练集，分别是：训练集1，上海地区2015年全年银行卡线下交易数据；训练集2，下半年的交易数据；训练集3，第四季度的交易数据，最终生成持卡人在2016年1月1日至2016年1月10日期间的推荐列表数据，并用这期间的实际用户消费数据来对比分析。实验结果如图4、图5所示。

(1) 不同训练集下的整体命中率和召回率如图4所示。

(2) 银行卡刷卡月均活跃区间命中率和召回率如图5所示。

pagenumber_ebook=161,pagenumber_book=155

图4　不同训练集下的整体命中率和召回率

pagenumber_ebook=162,pagenumber_book=156 (www.chuimin.cn)

图5　银行卡刷卡月均活跃区间命中率和召回率

上述测试结果表明：

(1) 针对同一批训练集，策略一和策略二的命中率、召回率和覆盖率非常接近，而策略三远低于前两个策略。主要原因是策略三注重挖掘用户潜在需求的推荐策略，不关注用户的习惯性消费，而通常情况下，习惯性消费都会在用户的历史消费行为中占据很大的比重。用户会因为在某家商户的消费体验良好从而变成这家商户的常客，而“尝尝鲜”只是偶尔为之的行为。

(2) 对于越活跃的用户，推荐效果越好。用户越活跃，消费行为越多，建模时能够使用的数据就越多，模型就更加立体，推荐和预测效果就越好。但从持卡人的正常刷卡频次和模型训练角度分析，月均消费笔数在区间[2，4]属于较正常的消费行为，这部分用户其平均命中率达到18.3%，平均召回率达到31%。

2017年软件工程论文：3个实验结果和分析，命中率和召回率

相关推荐