想象你是一位挑剔的老饕，打算开一家“私人订制”餐厅推荐APP。你雇了一位技艺高超的“AI主厨”，它每天殷勤地端上一桌招牌菜。可没过多久你就发现：主厨确实厨艺精湛，但他有个毛病——翻来覆去就做那几道拿手菜，从不尝试新食材；而且他判断“合口味”全凭自己的舌头，从不问顾客真正想吃啥。这就像推荐系统只盯着“猜得准不准”这一把尺子。 真正的推荐系统评估，需要同时拿起三把尺子：召回率（好菜有没有端上来？）、覆盖率（隐藏菜单里的宝藏菜有没有机会见客？）、以及多样性（这桌菜是千篇一律还是酸甜苦辣都齐活？）。这篇教程，我们就用“AI主厨试菜”的故事，把这三把尺子以及它们之间的“爱恨情仇”逐一讲透。

岗位关联

对AI从业者而言，掌握多维评估是推荐系统落地的分水岭——只有理解准确率与多样性如何制衡，才能真正交付用户满意、生态健康的推荐产品。

目录
  1. 可视化演示
  2. 准确性指标
  3. 覆盖率概念
  4. 多样性指标
  5. 指标矛盾性
  6. 平衡调参策略
  7. 综合评估方案
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示推荐系统多维评估体系：召回率与精确率随K变化、NDCG位置折扣排序质量、物品覆盖率与长尾分布、列表内多样性度量，含星座网络背景和发光动画。

本节配有交互动效（进入视口后自动加载，约 3KB）。

准确性指标

AI主厨第一天上班，你决定考考他。你心里有一份清单，上面写着你真正爱吃的20道菜（这是“用户真实喜欢的集合”）。主厨从200道菜的大菜单里端出了10道。你扫了一眼——10道里有4道是你爱的。这里就藏着两个问题：他端上来的菜里，对的占比高不高？你爱吃的菜，他又漏掉了多少？

第一个问题引出精确率（Precision）——推荐列表里真正被用户喜欢的比例。主厨端出10道菜，4道被你点头，精确率就是4/10=40%。第二个问题引出召回率（Recall）——你藏在心底的20道最爱，他只端出了4道，召回率是4/20=20%。一个盯“端上来的对不对”，一个盯“该端上来的有没有漏”。

可见，精确率和召回率是同一个分子（命中数）除以不同的分母，这决定了它们天然互相制约：把推荐列表从10道扩到100道，命中数可能升到10，召回率升到50%，但精确率却降到10%。主厨困惑了——到底该多端几道，还是少端几道？

Precision=∣命中集合∣∣推荐列表∣,Recall=∣命中集合∣∣用户喜欢集合∣\text{Precision} = \frac{|\text{命中集合}|}{|\text{推荐列表}|}, \quad \text{Recall} = \frac{|\text{命中集合}|}{|\text{用户喜欢集合}|}
精确率回答“推荐的东西对不对胃口”，召回率回答“对胃口的东西有没有被找到”。
  1. 分子命中集合：推荐列表中用户真正喜欢（或真实点击）的条目数，用 $|\text{命中集合}|$ 表示，这是两把尺子共用的核心。
    ∣命中集合∣=∣Rrec∩Uliked∣|\text{命中集合}| = |R_{\text{rec}} \cap U_{\text{liked}}|
  2. 精确率分母推荐列表长度：主厨端上桌的菜的总数，即推荐列表大小。精确率 = 命中数 ÷ 推荐总数，衡量“端上来的质量”。
    P=∣命中集合∣LrecP = \frac{|\text{命中集合}|}{L_{\text{rec}}}
  3. 召回率分母用户喜欢集合大小：你心底最爱清单上的菜的总数，召回率 = 命中数 ÷ 喜欢总数，衡量“该找的找到了多少”。
    R=∣命中集合∣∣Uliked∣R = \frac{|\text{命中集合}|}{|U_{\text{liked}}|}

覆盖率概念

第一轮试菜结束，你突然意识到一个问题：主厨翻来覆去只从200道菜里挑最热门的30道推荐，那道藏在菜单角落、只有老饕才知道的红烧牛蹄筋，永远不见天日。这就是推荐系统的覆盖率（Coverage）问题。

覆盖率衡量推荐系统能否“端出足够多种类的菜”——或者说，整个大菜单里有多少比例的菜品被推荐过。如果200道菜里只有30道上过桌，覆盖率就是30/200=15%。对平台而言，低覆盖率意味着长尾商品被封杀在仓库里，新菜没有出头之日，生态会慢慢僵化。

覆盖率提高后，冷门菜有机会上桌，但主厨立刻抱怨：“推荐那些没人吃过的菜，经常端上去客人就皱眉，精确率往下掉啊！”确实，覆盖率与精确率又是一对矛盾。但一个只懂迎合老客户的餐厅没有未来——推冷门菜短期损失点击率，长期却在拓宽用户的味觉地图。

Coverage=∣被推荐过的商品集合∣∣全部商品集合∣\text{Coverage} = \frac{|\text{被推荐过的商品集合}|}{|\text{全部商品集合}|}
覆盖率是生态健康的晴雨表，衡量推荐系统是否只盯着头部热门，而忽略了长尾与冷门。
  1. 分子被推荐过的商品数：统计一段周期内（如一周），所有用户收到的推荐列表里出现过多少种不同的商品，合并去重后计数。
    被推荐集合=⋃u=1NRu\text{被推荐集合} = \bigcup_{u=1}^{N} R_u
  2. 分母全部商品数：平台上可被推荐的全部商品总数量，它是固定的分母，反映推荐系统能触及的“疆域”。
    C=∣⋃u=1NRu∣∣Itotal∣C = \frac{| \bigcup_{u=1}^{N} R_u |}{|I_{\text{total}}|}

多样性指标

主厨解决了漏菜和冷宫菜的问题后，你又发现新毛病：他确实把10道菜都端上了桌，但这10道里有7道是同一个口味——糖醋家族全员到场（糖醋排骨、糖醋鱼、糖醋里脊……），因为历史数据里你就爱点糖醋。可是，连着吃三顿糖醋，嘴巴会抗议。

这就是多样性（Diversity）问题：推荐列表内部的菜品互相有多不一样。衡量多样性的常用思路是：看推荐列表中物品两两之间的相似度（比如基于类别、标签或嵌入向量）。相似度越高，多样性越低。

多样性高的推荐像一桌满汉全席——荤素搭配、酸甜辣咸俱全，用户有选择的余地，觉得推荐“懂我但没有圈禁我”。它与覆盖率是近亲：都反对“头部独大”。区别在于覆盖率关注推荐了多少种不同的菜，多样性关注同一桌菜里菜品种类是否够分散。

Diversity=1−2∑i<jsim(i,j)L(L−1)\text{Diversity} = 1 - \frac{2 \sum_{i<j} \text{sim}(i, j)}{L(L-1)}
多样性不是要放弃准确，而是要让推荐的“选项”之间足够不同，避免用户的味觉疲劳。
  1. 两两相似度之和把推荐列表里的物品两两配对，计算它们之间的相似度（如余弦相似度），全部加起来再乘以2（每对被算两次）。
    Spairs=∑i=1L∑j=1Lsim(i,j)S_{\text{pairs}} = \sum_{i=1}^{L} \sum_{j=1}^{L} \text{sim}(i, j)
  2. 归一化到[0,1]除以 $L(L-1)$（所有有序对的个数），得到平均相似度，取值范围0到1。
    AvgSim=SpairsL(L−1)\text{AvgSim} = \frac{S_{\text{pairs}}}{L(L-1)}
  3. 取反得多样性用1减去平均相似度，让“越小相似度=越大多样性”。相似度为0时多样性为1，所有物品都相近时多样性趋近0。
    D=1−AvgSimD = 1 - \text{AvgSim}

指标矛盾性

现在三把尺子都摆上桌了，你发现一个绝望的事实：它们互相打架。精确率要求推荐尽量是用户喜欢的，那么主厨就该永远推荐最热门的糖醋排骨；覆盖率要求冷门菜有机会上桌，这必然牺牲精确率；多样性要求一桌菜风格分散，那就不可能道道都是用户最爱的口味。

精确率与召回率的互斥关系是经典中的经典。当你把推荐列表长度 L 从短拉长时，命中数会增加（召回率↑），但这多出来的每一道菜都是“不那么确定的菜”，精确率自然被稀释（精确率↓）。就像主厨从拿手5道菜扩展到全菜单100道菜时，找到你爱吃的菜多了，但端上来的错菜也多了。

覆盖率与多样性的牺牲同样明显：覆盖全菜单意味着推荐系统既出现用户不爱的菜，也让头部热门的占比被压低，短期指针指标（点击率、准确率）必然下降。商业化产品总倾向“顺人性”地推相似爆款，因为用户爱点，点击率高，广告分成高——但长期来看，多样性下降会带来用户流失。

Fβ=(1+β2)⋅P×R(β2×P)+RF_{\beta} = (1 + \beta^2) \cdot \frac{P \times R}{(\beta^2 \times P) + R}
指标矛盾是推荐系统的“三难困境”，就像主厨在后厨菜品有限、人手有限的约束下，不可能同时让每道菜都对胃口、每个食材都用上、每种口味都不重样。
  1. 参数 β 控制侧重β > 1 时更看重召回率（怕漏菜）， β < 1 时更看重精确率（怕错菜）。
    β=召回的相对重要性权重精确率的相对重要性权重\beta = \frac{\text{召回的相对重要性权重}}{\text{精确率的相对重要性权重}}
  2. 调和平均而非算术平均用乘法与除法组合 P 和 R，惩罚“偏科生”。如果 P=1、R=0，算术平均是0.5，调和平均却是0——完美反映“菜全端错”的糟糕表现。
    1Fβ=11+β2(β2P+1R)\frac{1}{F_{\beta}} = \frac{1}{1+\beta^2} \left( \frac{\beta^2}{P} + \frac{1}{R} \right)
  3. β=1 即 F1 得分精确率与召回率等权重的调和平均，是最常用的平衡指标。
    F1=2×P×RP+RF_{1} = \frac{2 \times P \times R}{P + R}

平衡调参策略

既然指标天然互斥，那怎么办？答案是因地制宜地“配比”。主厨不能只讨好顾客口味（精确率拉满），也不能把整个菜单轮番上阵不管口味（覆盖率拉满），而是要看清自己经营的餐厅定位。

对电子商务平台来说，用户搜索商品时怕搜不到（召回率优先），点击进入详情页后怕推荐不相关的东西（精确率优先）。在猜你喜欢场景，用户更渴望新鲜感，那就适当降低精确率权重，调高覆盖率与多样性。在“看了又看”场景，用户目的明确，精确率权重就得拉高。

实现层面的策略也很多：加权混合排序——把精确率得分与多样性得分做成加权和，用参数 λ 控制偏向；重排（ReRanking）——先用精准模型召回30个候选，再用MMR（最大边际相关）等算法从中选10个，通过惩罚与已选条目太相似的候选项，在精确率牺牲可控的前提下提升多样性。

实际操作中，主厨可以用离线实验先跑出多组权重组合，对比它们的召回率、覆盖率、多样性三维雷达图，再决定这套参数是否推向真实用户——这就过渡到最后的综合评估环节。

Scorefinal=α⋅相关性−β⋅与已选条目的最大相似度\text{Score}_{\text{final}} = \alpha \cdot \text{相关性} - \beta \cdot \text{与已选条目的最大相似度}
调参的本质是给每把尺子赋予不同“权重”：有的场景怕错，精确率优先；有的场景怕腻，多样性优先。
  1. 相关性得分候选物品与用户历史偏好的匹配分（来自协同过滤矩阵分解的预测评分），是第一项的拉动因素。
    Scorerel(i)=r^ui\text{Score}_{\text{rel}}(i) = \hat{r}_{ui}
  2. 最大相似度惩罚候选物品与已被选入推荐列表的物品中最相似的那个的相似度，用它作为“多样性税”。
    MaxSim(i)=max⁡j∈Sselectedsim(i,j)\text{MaxSim}(i) = \max_{j \in S_{\text{selected}}} \text{sim}(i, j)
  3. 加权拼合取最优对每个候选计算组合得分，依次选出分数最高的物品加入列表——α 大则更精准，β 大则更多样。
    Scorefinal(i)=α⋅r^ui−β⋅MaxSim(i)\text{Score}_{\text{final}}(i) = \alpha \cdot \hat{r}_{ui} - \beta \cdot \text{MaxSim}(i)

综合评估方案

最后，主厨走向他的终极考核。你给他设计了一套完整的出师流程，分为三条线：离线评估、在线AB测试、人工评估。

离线评估是“厨房里的试菜”——用历史数据模拟餐厅运营，快速地让主厨把积累的菜谱跑一遍，算出各指标。它的好处是快速、低成本、可复现；缺点是不代表真实世界——真实顾客会随时改变口味。所以离线通过后，主厨还要走出厨房接受真实顾客考验。

在线AB测试是“开门迎客的对照实验”——把用户随机分成两组，A组用新口味配方推荐（新算法），B组用原来的配方（旧算法），观察两组用户的点击率、转化率、停留时长，用统计检验判断新配方是否显著更好。人工评估则是请人类专家给推荐结果打分，专门考察“惊喜度”“可解释性”这些机器难衡量的软指标。

| 评估类型 | 价值 | 局限 |

|---------|------|------|

| 离线评估 | 快速迭代、低成本 | 与线上环境有偏差 |

| 在线AB | 真实用户反馈 | 周期长、有风险 |

| 人工评估 | 考察软性指标 | 成本高、难以规模化 |

一个成熟推荐团队通常离线让80%的候选算法出局，剩下20%进入AB测试；AB测试确认某指标提升同时其他核心指标不下跌后，才逐步放量至全量。这套流程确保证主厨的菜不是“厨房里的闭门造车”，而是真实餐桌上经过千锤百炼的口碑菜。

AI 应用场景

视频平台的内容生态治理

阶段：推荐系统评估与调优

解决的问题：短视频平台若只看点击率，用户会陷入信息茧房，中腰部创作者没有曝光机会。传统人工运营无法规模化判断每类内容的推荐表现，而采用覆盖率与多样性指标后可自动识别出推荐列表中的品类倾斜。

具体案例：某视频平台每周离线计算各一级类目（影视、美食、科技、健身等）在推荐结果中的覆盖率，发现“美食”覆盖率从35%跌至8%，触发预警；随后调低高热类目的权重，并引入MMR重排，两周后美食类覆盖率回升至22%，用户整体人均时长反而上升了6%——因为部分用户“看腻了同质内容”的流失被止住了。

电商“猜你喜欢”的AB实验

阶段：在线评估与迭代

解决的问题：电商首页的“猜你喜欢”一屏只展示10个商品，精确率拉满导致用户看到相似爆款，转化率不升反降。需要离线确认多样性提升方案在召回率不下跌的前提下，多样性提升15%，再推上AB测试。

具体案例：某跨境电商团队用离线数据对重排算法打分，选出α:β=0.7:0.3的参数组合，通过AB测试观察2周后发现：新组相比旧组，千次曝光成交额（GMV/RPM）提高3.2%，且品类覆盖率提升18%，证明“推荐更广的品类”不是牺牲效率，而是激发了潜在需求。

音乐平台的“私人雷达”日推

阶段：多指标综合评估

解决的问题：音乐App的每日推荐歌单需要“惊喜感”——全是甜歌会让用户腻，全是新歌用户又不买账。纯依赖准确率指标设计的歌单缺乏层次。

具体案例：网易云音乐/Spotify风格的日推团队会组合使用召回率（确认歌单命中用户收藏歌手歌曲的比例）、多样性（每首歌两两间音频特征相似度均分）、以及人工评估（内测小组给“惊喜度”打分，1-5分），以三指标加权得分作为日推歌单的离线质量门槛，上线后再看完播率与收藏率。

Python 演示

python85 行
import mathfrom collections import Counter  def evaluate_recommendations(user_liked, recommend_list, item_catalog,                             item_features=None, all_recommendations=None):    """计算推荐系统的核心评估指标。     Args:        user_liked: 用户真正喜欢的商品集合        recommend_list: 模型给该用户推荐的商品列表        item_catalog: 平台全部商品集合        item_features: 商品特征字典, 用于计算多样性 (余弦相似度)        all_recommendations: 所有用户的推荐列表, 用于计算覆盖率    """    hits = set(recommend_list) & set(user_liked)    precision = len(hits) / len(recommend_list) if recommend_list else 0.0    recall = len(hits) / len(user_liked) if user_liked else 0.0     f1 = (2 * precision * recall / (precision + recall)          if precision + recall > 0 else 0.0)     if all_recommendations:        recommended_items = set()        for rec in all_recommendations:            recommended_items.update(rec)        coverage = len(recommended_items) / len(item_catalog)    else:        coverage = 0.0     if item_features and len(recommend_list) > 1:        sim_sum = 0.0        cnt = 0        for i in range(len(recommend_list)):            for j in range(i + 1, len(recommend_list)):                sim_sum += cosine_sim(item_features[recommend_list[i]],                                      item_features[recommend_list[j]])                cnt += 1        diversity = 1.0 - sim_sum / cnt if cnt > 0 else 0.0    else:        diversity = 0.0     return {        "precision": round(precision, 4),        "recall": round(recall, 4),        "f1": round(f1, 4),        "coverage": round(coverage, 4),        "diversity": round(diversity, 4),    }  def cosine_sim(vec_a, vec_b):    """计算两个稀疏向量的余弦相似度。"""    common = set(vec_a.keys()) & set(vec_b.keys())    dot = sum(vec_a[k] * vec_b[k] for k in common)    norm_a = math.sqrt(sum(v * v for v in vec_a.values()))    norm_b = math.sqrt(sum(v * v for v in vec_b.values()))    if norm_a == 0 or norm_b == 0:        return 0.0    return dot / (norm_a * norm_b)  if __name__ == "__main__":    catalog = {"item_%d" % i for i in range(100)}    liked = {"item_1", "item_2", "item_3", "item_4", "item_5"}     rec_a = ["item_1", "item_2", "item_3", "item_6", "item_7"]    rec_b = ["item_1", "item_2", "item_3", "item_4", "item_5"]     features = {        "item_%d" % i: {"genre_%d" % (i % 10): 1.0,                        "price_bucket": float(i % 3)}        for i in range(100)    }    all_recs = [rec_a, rec_b]     for name, rec in [("保守推荐", rec_a), ("完美命中", rec_b)]:        metrics = evaluate_recommendations(            liked, rec, catalog, features, all_recs        )        print("%s: %s" % (name, metrics))     metrics = evaluate_recommendations(liked, rec_a, catalog, features,                                       all_recs)    print("\n覆盖率(以2个用户推荐列表为样本):", metrics["coverage"])
目的：一个完整的推荐系统评估脚本，给定用户真实喜好、推荐列表和商品目录，就能算出精确率、召回率、F1、覆盖率和多样性五项核心指标。
  1. hits = set(recommend_list) & set(user_liked)用集合交集找出“推荐列表里用户真正喜欢的商品”，这是所有指标的分子。
  2. precision = len(hits) / len(recommend_list)精确率 = 命中数 ÷ 推荐列表长度，回答“推的对不对”。
  3. recall = len(hits) / len(user_liked)召回率 = 命中数 ÷ 用户喜欢总数，回答“喜欢的有没有漏”。
  4. f1 = 2 * precision * recall / (precision + recall)F1是精确率与召回率的调和平均，惩罚偏科生。
  5. recommended_items.update(rec)把所有用户的历史推荐列表合并成一个集合，用于计算覆盖率分母。
  6. coverage = len(recommended_items) / len(item_catalog)覆盖率 = 被推荐过的商品数 ÷ 全平台商品数。
  7. sim_sum / cnt推荐列表内所有商品两两余弦相似度的平均值，用于度量列表的“同质化程度”。
  8. diversity = 1.0 - sim_sum / cnt平均相似度越高多样性越低，所以用1减去它。
  9. if __name__ == "__main__":脚本入口：构造两组推荐结果对比演示。

常见误区

误区精确率只有20%，这个推荐系统太差了，应该下架。追求高精确率才是唯一正确方向。

正解精确率必须与召回率放在一起看。如果你的精确率只有20%但召回率高达90%，说明系统在“广撒网”阶段——它端上了大量候选，虽然很多不合口味，但好东西几乎都没漏。对一个初始探索的冷启动用户，甚至有时故意要降低精确率来换取探索空间。好比主厨第一轮给顾客端上20道菜试味，命中率低是正常的，重点是要把菜色尝一遍找到喜好。

为何常见：人们习惯用考试分数类比评估——60分及格、90分优秀，但推荐系统是“多目标优化”，单看一个分数没有意义。

误区覆盖率100%意味着平台所有商品都有机会被推荐，这是最健康的生态，应该无限追求覆盖率。

正解覆盖率100%意味推荐列表均匀分布在全部商品上，这会严重稀释相关性——用户想买手机却被推荐扫帚。现实中推荐系统应让覆盖率与业务目标匹配：小众平台想要高覆盖率留住长尾创作者，但大促场景要求覆盖率让位于转化率。覆盖率是“生态指标”，不是“效果指标”，要与其他指标配合看。

为何常见：容易把“多样性”等同于“公平”，认为推荐应当一碗水端平，忽略了用户需求才是推荐的第一目标。

误区多样性和商业指标（点击率、转化率、GMV）天然对立，提升多样性等于牺牲收入，所以不该做。

正解短期的单次点击率可能下跌，但长期用户粘性会上升。实践证明，适度提升多样性可以减少“信息茧房”导致的用户流失。比如音乐平台推荐列表里加一两首风格拓展的新歌，用户发现惊喜后收藏率上升，总体使用时长反而增加。多样性不是商业指标的敌人，而是对抗用户疲劳的战略储备。

为何常见：只看即时反馈指标（点击率）而忽略长期留存指标，是推荐系统评估中最常见的短期主义陷阱。

误区离线指标提升、AB测试也显著提升了，新算法一定全面优于旧算法，可以立即全量上线。

正解AB测试只证明“在当前流量分配和时间窗口内，该指标无显著恶化”，并不保证所有指标都变好。一个提升点击率3%的算法可能同时让收藏率下降5%、投诉率上升——这些指标没有进入实验观测列表时就会被忽视。全量上线前应该至少连续验证两个完整业务周期（通常2-4周），并同时监控不低于5个核心指标。

为何常见：把“显著提升”等同于“全面优化”，忽略了AB实验只是统计工具，不是万能真理。

面试题

Q1. 召回率的定义是？

单选题 · mid

  • A.推荐列表中用户喜欢商品占推荐列表的比例
  • B.用户喜欢的商品中被推荐出来的比例← 正确答案
  • C.推荐列表中用户不喜欢商品的比例
  • D.用户喜欢商品数占平台总商品数的比例

答案：B。召回率=命中集合÷用户喜欢集合，衡量的是“该推荐的有没有漏掉”。选项A是精确率的定义；选项C反向理解错误；选项D描述的是覆盖率的分母比例。

Q2. 精确率的分子和分母分别是？

单选题 · easy

  • A.命中商品数 / 推荐列表长度← 正确答案
  • B.命中商品数 / 用户喜欢数
  • C.推荐列表长度 / 平台商品数
  • D.用户喜欢数 / 推荐列表长度

答案：A。精确率=命中数÷推荐列表长度，衡量推荐结果的质量。选项B是召回率的定义；选项C接近覆盖率；选项D比值方向反了。

Q3. 覆盖率指标主要反映推荐系统的什么特性？

单选题 · mid

  • A.单个用户的推荐精准程度
  • B.推荐结果对头部热门商品的倾斜度← 正确答案
  • C.用户对推荐结果的满意度
  • D.推荐系统的响应延迟

答案：B。覆盖率=被推荐过的商品数÷全部商品数，衡量长尾商品能否被推荐到。覆盖率低说明推荐集中在少量头部热门商品，选项A精确率描述，选项C是满意度，选项D是性能指标。

Q4. 以下哪些指标属于推荐系统的“多样性”评估范畴？

多选题 · mid

  • A.推荐列表中商品两两之间的类别差异程度← 正确答案
  • B.同一用户连续多次推荐结果的变化程度← 正确答案
  • C.推荐商品与用户历史的相似程度
  • D.推荐结果中的惊喜度高低← 正确答案

答案：ABD。多样性既包括单次推荐列表内的品类分散程度（A），也包括时间维度上的推荐变化度（B），还包括超出用户预期的惊喜度（D）。选项C描述的是“相关性”而非多样性，相关性高通常意味着多样性低。

Q5. 当推荐列表从10个扩展到100个时，精确率和召回率最可能发生什么变化？

单选题 · hard

  • A.精确率和召回率都上升
  • B.精确率上升，召回率下降
  • C.精确率下降，召回率上升← 正确答案
  • D.精确率下降，召回率也下降

答案：C。列表变长后，多出来的候选通常相关性递减，所以精确率被稀释而下降；但更多的候选意味着更多的命中机会，召回率上升。这就是经典的精确率-召回率互斥关系，选C。

Q6. 以下哪些是覆盖率与多样性之间的区别？

多选题 · mid

  • A.覆盖率是全局指标，多样性是列表内指标← 正确答案
  • B.覆盖率关注有多少商品被推荐过，多样性关注推荐列表内部是否相似← 正确答案
  • C.覆盖率衡量推荐系统的生态，多样性衡量单次推荐的花样← 正确答案
  • D.两者本质相同，只是称呼不同

答案：ABC。覆盖率是全局指标（统计所有用户的推荐覆盖了哪些商品），多样性是单列表指标（衡量列表内部相似度）。覆盖率关乎生态健康，多样性关乎用户的差异化体验，两者并不等价，选项D错误。

Q7. 为什么F1得分比算术平均更常用于平衡精确率与召回率？

单选题 · hard

  • A.因为F1的计算更简单直观
  • B.因为F1是调和平均，更能惩罚极端偏科← 正确答案
  • C.因为F1和召回率永远完全相等
  • D.因为F1不受精确率数值影响

答案：B。调和平均在数值差距大时会得到比算术平均低得多的结果。比如P=1、R=0，算术平均为0.5，而调和平均为0，恰好反映“推荐全错”的真实糟糕程度。选项A算反了（调和平均更复杂），选项C和D明显错误。

Q8. 离线评估相比在线AB测试的主要优势是什么？

单选题 · easy

  • A.结果一定比在线测试更准确
  • B.成本低、周期短、可以反复迭代← 正确答案
  • C.完全不受历史数据偏差影响
  • D.不需要任何真实用户数据

答案：B。离线评估用历史数据批量模拟，能在几小时内对比几十组参数组合，且零流量成本，所以适合快速迭代。选项A错误，在线测试更接近真实；选项C错误，离线受数据偏差影响；选项D错误，离线也需要历史数据。

Q9. 在电商“猜你喜欢”场景中，如果发现覆盖率指标持续走低，可能的影响有哪些？

多选题 · hard

  • A.长尾商品卖不出去，平台生态失衡← 正确答案
  • B.用户看到的内容越来越同质化，产生倦怠← 正确答案
  • C.平台广告收入一定上升，无需担心
  • D.新上架商品缺少曝光，难以冷启动← 正确答案

答案：ABD。覆盖率走低意味着推荐集中在少部分头部商品，长尾商品失去流量，新商品难以起步，用户视野变窄选择变少导致粘性下降，因此A、B、D都正确。选项C中“广告收入一定上升”是典型的短期主义误判，同质化导致的用户流失最终会伤害收入。

Q10. 重排算法中引入MMR（最大边际相关）可以起到什么作用？

单选题 · mid

  • A.提高推荐列表的覆盖率
  • B.在保留相关性的同时提高多样性← 正确答案
  • C.降低推荐系统的计算复杂度
  • D.提高召回率

答案：B。MMR通过惩罚“与已选条目过于相似”的候选项，让最终选出的推荐列表既有相关性（分数高）又有差异性（不重复）。它可以提升列表多样性，但并非提高覆盖率或召回率，也不降低计算复杂度。