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。

• 固定同一排序并扩大 K 时，Recall@K 单调不降；Precision@K 常下降但不保证单调。

• 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，则命中数为 3，Recall@5=3/5=0.6；若完整返回 5 个结果，Precision@5=3/5=0.6。Precision 可能升、降或不变，取决于新增区间的相关比例。

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：为什么固定排序下 Recall@K 随 K 单调不降？ 扩大前缀只会保留已有命中并可能增加命中；这要求候选集、标签和去重规则不变。

• 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 的两个核心分母是：Precision 通常除展示位 K，Recall 除该 query 应找回的相关总数。若实际返回不足 K，Precision 的分母可能按 K 或实际返回数定义，必须声明。固定排序扩大 K 时 Recall 单调不降，Precision 不保证单调；最终报告还要固定候选集、去重、无相关 query 处理与 query 聚合方式。