Recall@k
PulseAugur coverage of Recall@k — every cluster mentioning Recall@k across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的PCA-GAT方法增强了工业工艺规划推荐
研究人员开发了PCA-GAT，一种通过整合事实和规范工业知识来推荐加工工艺规划的新方法。该方法将工艺规划推荐视为知识图增强的协同过滤问题，利用贝叶斯个性化排序作为其学习目标，并使用Recall@K和NDCG@K进行评估。该系统将四种领域约束——材料兼容性、精度要求、特征适用性和操作排序——作为图传播中的注意力偏差，以提高准确性，尤其是在协作信号稀疏的情况下。在航空航天数据集上进行的测试表明，与现有方法相比，PCA-GAT在推荐准确性和…
-
检索评估指标详解：P@K、MRR、NDCG
本文解释了用于评估检索系统性能的关键检索评估指标，包括 Precision@K (P@K)、Recall@k、Mean Reciprocal Rank (MRR) 和 Normalized Discounted Cumulative Gain (NDCG@K)。文章强调了这些指标如何捕捉排名的不同方面，并且有时会产生冲突的结果。该教程还提供了 Python 代码来构建一个评估框架，用于计算这些指标，模拟不同检索架构之间的比较，并为部署…
-
通过混合搜索和性能指标提高 RAG 的准确性
本文探讨了提高检索增强生成 (RAG) 系统准确性的技术，重点关注改进相关块的检索。文章详细介绍了混合搜索等方法，该方法将向量相似性与 BM25 等关键字匹配相结合，以及使用元数据过滤来缩小搜索范围。文章还讨论了分块策略的重要性，并介绍了 recall@k、precision@k、MRR 和 nDCG 等关键指标，用于对 RAG 性能进行量化评估。
-
为ANN搜索评估提出新指标1/Ratio@k
研究人员提出了一种新的评估近似最近邻（ANN）搜索算法的指标1/Ratio@k，认为它比传统的Recall@k更能反映检索质量。该指标评估检索到的邻居与真实邻居之间距离的差异，无需人工判断，并且可以从现有基准数据中计算得出。基准测试表明，与Recall@k相比，以1/Ratio@k为优化目标可以在更低的计算成本下实现操作质量，并更准确地跟踪下游任务（如分类和检索增强生成）的性能。