精度和召回率是评估推荐系统的关键指标，用于平衡相关性和覆盖率。精度衡量推荐的项目中有多少实际上与用户相关（例如，“在推荐的 10 部电影中，用户观看了多少部？”），而召回率评估系统从整个池中成功推荐了多少相关项目（例如，“在用户会喜欢的 100 部电影中，推荐了多少部？”）。这些指标帮助开发者优化特定目标，例如避免不相关的建议或确保推荐的多样性。
对于精度，高值意味着系统最大限度地减少不相关的推荐。例如，优先考虑精度的流媒体服务可能会专注于推荐与用户最近观看的影片相似的影片，使用协同过滤或基于内容的过滤。如果用户观看科幻电影，系统可能会推荐沙丘或星际穿越，但避免不相关的类型。但是，过度优化精度可能会导致“过滤气泡”，导致推荐过于狭窄。开发者可以通过调整置信度阈值（例如，仅推荐预测评级高于 4/5 的项目）或结合显式用户反馈来减少误报，从而调整算法。
另一方面，召回率强调发现所有潜在的相关项目。一个旨在实现高召回率的音乐应用程序可能会使用矩阵分解来发现符合用户更广泛偏好的小众曲目，即使他们以前没有与类似的歌曲互动过。例如，如果用户听摇滚乐，系统可能会推荐主流乐队和鲜为人知的独立艺术家。但是，高召回率会引入噪音 - 推荐太多边缘项目 - 这可能会让用户感到沮丧。开发者通常通过将协同过滤与多样性抽样等技术相结合或利用基于会话的数据来优先考虑最近的互动来平衡这一点。
精度和召回率之间的权衡取决于用例。电子商务平台可能会优先考虑精度以避免不相关的产品建议，而新闻聚合器可能会倾向于召回以推荐各种文章。混合方法（例如，将协同过滤与基于内容的信号混合）可以帮助实现平衡。诸如 F1 分数（精度和召回率的调和平均值）或与真实用户进行的 A/B 测试等指标提供了评估这种平衡的实用方法。最终，开发者必须将系统的目标与业务需求保持一致，根据用户行为和反馈进行迭代，以完善模型的性能。