推荐系统通常使用衡量准确性、排序质量和多样性/覆盖率的指标进行评估。这些指标帮助开发人员评估系统预测用户偏好、呈现相关项目以及平衡整个目录中的推荐效果如何。以下是最常见的指标，按其主要关注点分组。
准确性指标 准确性指标评估预测的推荐与真实用户偏好匹配的紧密程度。对于基于评分的系统（例如，电影评分），平均绝对误差 (MAE) 和均方根误差 (RMSE) 计算预测评分与实际评分之间的平均偏差。RMSE 会更重地惩罚较大的误差。对于二元或隐式反馈（例如，点击），精确率 和召回率 被广泛使用。精确率衡量推荐项目中有多少是相关的（例如，在 10 个推荐中，有 8 个被点击），而召回率衡量所有相关项目中，有多少被推荐了。F1 分数 是精确率和召回率的调和平均值，可以平衡两者。这些指标需要标记的测试集，并且易于计算，但可能无法反映真实的用户行为，因为它们忽略了项目顺序。
排序指标 由于推荐通常是有序列表，因此排序质量至关重要。归一化折损累计增益 (NDCG) 评估系统对项目的排序效果，将更高的分数分配给位于顶部的相关项目。例如，如果用户最喜欢的电影首先出现，则 NDCG 会对此进行奖励，而不是排在第五位。平均精度均值 (MAP) 计算每个相关项目出现位置的平均精度，强调多个查询中的正确排名。命中率（例如，Hit@10）衡量在 top-N 推荐中是否存在至少一个相关项目。这些指标非常适合项目位置很重要的情况，例如主页推荐，但它们需要相关性阈值（例如，定义什么构成“命中”）。
多样性和覆盖率 除了准确性之外，系统还必须避免过度推荐热门项目。多样性 衡量推荐项目的相似程度，通常使用成对相似度分数（例如，项目嵌入之间的余弦相似度）或基于熵的计算。例如，一个多样化的电影推荐列表可能包括动作、喜剧和纪录片等类型。覆盖率 量化推荐给用户的总项目目录的比例，确保利基或长尾项目不会被忽略。较低的覆盖率得分表明系统偏爱一小部分项目，这可能会损害用户满意度和业务目标。这些指标对于具有大型目录的平台（如电子商务）尤其重要，在这些平台上，可发现性至关重要。但是，它们可能会与准确性相抵触，从而要求开发人员平衡多个目标。
通过结合这些指标，开发人员可以全面评估推荐系统，确保它们准确、用户友好且可持续。