Recall-at-k 是一种在机器学习和信息检索中使用的指标，用于评估系统从数据集中检索相关项目的效果。具体来说，它衡量的是模型或算法返回的前 *k* 个结果中包含的*真正相关项目*的比例。例如，如果一个搜索引擎检索出 10 个结果 (k=10)，并且在整个数据集总共 8 个相关项目中，这 10 个结果中有 5 个是相关的，那么 recall@10 就是 5/8 = 62.5%[7]。此指标在目标是最大化相关项目覆盖率的场景中特别有用，例如推荐系统或文档检索任务。
recall-at-k 和 precision-at-k 的主要区别在于它们的侧重点。Precision 衡量的是*前 k 个结果中*相关项目的比例，而 recall 衡量的是在这 k 个结果中捕获了*总相关项目*中的多少。例如，在一个音乐推荐系统中，如果用户有 20 首喜欢的歌曲，模型推荐了 15 首 (k=15)，其中有 10 首符合用户的偏好，那么 recall@15 就是 10/20 = 50%。这强调的是系统是否避免遗漏太多相关项目，即使有些推荐不够精确[7]。开发者通常将 recall-at-k 与 precision 一起使用，以平衡覆盖率和准确性。
recall-at-k 的一个实际应用是在电商产品搜索中。假设一个数据库包含 100 个符合“无线耳机”查询的产品，客户查看了前 20 个结果 (k=20)。如果这 20 个结果中有 15 个是真正相关的，但总共有 80 个相关产品，那么 recall@20 就是 15/80 = 18.75%。这个低分表明系统优先将少量高度相关的项目排在前面，但遗漏了许多其他项目。为了提高 recall，开发者可能会调整排名算法或扩展前 k 个结果的多样性[7]。协同过滤或语义搜索增强等工具是解决这种权衡的常用策略。
[7] recall_questions