Top-K 场景下 Precision 和 Recall 怎么评估？
简化版
Precision@K 衡量前 K 个结果中相关比例，Recall@K 衡量全部相关项有多少进入前 K；二者分别回答顶部纯度与覆盖。必须明确 K、相关定义、query 平均方式和无相关 query 处理。
详细版
-
Precision@K 分母通常固定 K 或实际返回数，需说明。
-
Recall@K 依赖每个 query 的相关总数。
-
K 越大 precision 常下降、recall 常上升。
-
候选召回上限会限制排序层 Recall@K。
-
固定容量业务应直接选择真实展示 K。
完整版教学
一、Top-K 指标把有限展示位写进评估
搜索、推荐只展示少量结果，整体准确率无法反映前几位质量。
P@K 看用户看到的列表有多干净，R@K 看应找回的内容漏了多少。
同一个 P@K 在每 query 宏平均和全局微平均下权重不同，长尾 query 可能被掩盖。
二、底层机制与公式
P@K=|Rel∩TopK|/K
R@K=|Rel∩TopK|/|Rel|三、带数字的推演
某 query 有 5 个相关文档，Top-3 中命中 2 个，则 P@3=2/3≈0.667，R@3=2/5=0.4。
K 增到 5 若多命中 1 个，recall 变 0.6。
四、方案对比
| 方案/对象 | 核心特点 | 代价或边界 |
|---|---|---|
| Precision@K | 顶部结果纯度 | 不关心 K 外漏掉多少 |
| Recall@K | 相关项覆盖 | 不惩罚 K 内非相关的程度 |
| HitRate@K | 是否至少命中一个 | 忽略命中数量 |
五、执行流程
按 query 生成固定候选 -> 排序取前 K -> 去重/匹配标签
-> 每 query 算 P/R -> 处理无相关 query -> 宏平均并做切片六、边界条件与工程代价
若系统少于 K 个可返回结果，分母用 K 还是返回数会显著改变 P@K，口径必须固定。
隐式反馈未点击不等于不相关，曝光偏差会影响 Top-K 标签，需要人工集或反事实方法补充。
记忆钩子：Top-K 只需记两个分母：Precision 除展示位 K，Recall 除应找回的相关总数。
七、常见误区与追问
-
误区：P@K 与 R@K 分母相同。 前者是 K，后者是相关总数。
-
追问：为什么 Recall 随 K 常上升？ 更长列表只能增加或保持命中数。
-
误区：把所有 query 结果混算等于 MAP。 MAP还考虑每个相关位置的累计 precision。
-
追问：无相关 query 怎么处理？ 预先规定跳过或记零并报告比例。
-
追问：候选层为何重要？ 相关项没进入候选，排序模型无法找回。
八、加强记忆
Top-K 只需记两个分母：Precision 除展示位 K，Recall 除应找回的相关总数。
指标必须贴合真实 K 和 query 聚合口径。