最近邻搜索中精确率的定义 在最近邻搜索中，精确率衡量的是在检索到的前 K 个项目中，实际相关于查询的结果所占的比例。 例如，如果搜索返回 10 个结果 (K=10)，其中 7 个是正确匹配项，则 precision@10 为 0.7 (7/10)。 相关性通常通过将检索到的项目与最近邻的基本事实集进行比较来确定，通常使用诸如暴力搜索之类的精确方法进行计算。 精确率侧重于检索到的子集的准确性，强调返回的项目中有多少是真阳性，而不管前 K 个结果之外是否存在其他相关项目。 这使得它与召回率等指标不同，后者侧重于捕获数据集中的所有可能的相关项目。
Precision@K vs. Recall@K：主要区别 Precision@K 和 recall@K 回答不同的问题。 Precision@K 询问：“显示的前 K 个结果中有多少是正确的？” Recall@K 询问：“数据集中所有可能的正确结果中，前 K 个结果捕获了多少？” 例如，如果数据集对于某个查询有 100 个相关项目，则 recall@10=0.3 的系统意味着它在前 10 个结果中找到了这 100 个项目的 30%。 Precision@10=0.3 意味着只有 10 个结果中的 3 个是相关的。 当显示不相关结果的成本很高时，Precision@K 更为合适。 例如，在推荐系统中，显示 5 个不相关的产品（低 precision@5）可能会惹恼用户，即使系统错过了一些相关的产品（较低的召回率）。 相反，recall@K 在诸如法律文件发现之类的任务中更为重要，在这些任务中，遗漏相关项目的风险高于包含某些不相关项目的风险。
何时优先考虑 Precision@K 当顶部结果的质量比完整性更重要时，最好选择 Precision@K。 例如，在搜索引擎中，用户很少查看第一页之后的结果，因此确保前 10 个链接具有高度相关性（高 precision@10）至关重要。 同样，在检索增强语言模型 (LLM) 中，仅使用前 K 个上下文段落来生成答案。 如果这些段落不相关，即使数据集中更深处存在其他相关段落，模型的输出也会有缺陷。 在实时系统（例如，欺诈检测）中，Precision@K 也很有用，在实时系统中，处理速度将 K 限制为较小的值，并且即时结果中的假阳性可能会触发代价高昂的操作。 在这些情况下，优先考虑精确率可确保即时结果是可信赖的，即使以丢失某些匹配项为代价。