搜索扫盲系列(一)

外行人做互联网，很多概念不懂。就拿最基础的“召回率”和“准确率”这种概念，看看网上资料知道大概，自己用的时候，脑子里绕着弯儿能想明白，可碰到别人活用的时候，脑子里还是没法一下子反应过来，还是要绕弯想一下。特地找了些资料，将这两个概念整理一下，希望能更熟练。 召回率和准确率是搜索引擎（或其它检索系统）的设计中很重要的两个概念和指标。 召回率：Recall，又称“查全率”； 准确率：Precision，又称“精度”、“正确率”。 在一个大规模数据集合中检索文档时，可把集合中的所有文档分成四类： 相关不相关 检索到AB 未检索到CD A：检索到的，相关的 （搜到的也想要的） B：检索到的，但是不相关的 （搜到的但没用的） C：未检索到的，但却是相关的 （没搜到，然而实际上想要的） D：未检索到的，也不相关的 （没搜到也没用的） 通常我们希望：数据库中相关的文档，被检索到的越多越好，这是追求“查全率”，即A/(A+C)，越大越好。 同时我们还希望：检索到的文档中，相关的越多越好，不相关的越少越好，这是追求“准确率”，即A/(A+B)，越大越好。 归纳如下： 召回率：检索到的相关文档 比 库中所有的相关文档 准确率：检索到的相关文档 比 所有被检索到的文档 “召回率”与“准确率”虽然没有必然的关系（从上面公式中可以看到），然而在大规模数据集合中，这两个指标却是相互制约的。 由于“检索策略”并不完美，希望更多相关的文档被检索到时，放宽“检索策略”时，往往也会伴随出现一些不相关的结果，从而使准确率受到影响。 而希望去除检索结果中的不相关文档时，务必要将“检索策略”定的更加严格，这样也会使有一些相关的文档不再能被检索到，从而使召回率受到影响。 凡是设计到大规模数据集合的检索和选取，都涉及到“召回率”和“准确率”这两个指标。而由于两个指标相互制约，我们通常也会根据需要为“检索策略”选择一个合适的度，不能太严格也不能太松，寻求在召回率和准确率中间的一个平衡点。这个平衡点由具体需求决定。 其实，准确率（precision，精度）比较好理解。往往难以迅速反应的是“召回率”。我想这与字面意思也有关系，从“召回”的字面意思不能直接看到其意义。 我觉得“召回率”这个词翻译的不够好。“召回”在中文的意思是：把xx调回来。比如sony电池有问题，厂家召回。 既然说翻译的不好，我们回头看“召回率”对应的英文“recall”，recall除了有上面说到的“order sth to return”的意思之外，还有“remember”的意思。 Recall：the ability to remember sth. that you have learned or sth. that has happened in the past. 这里，recall应该是这个意思，这样就更容易理解“召回率”的意思了。 当我们问检索系统某一件事的所有细节时（输入检索query），Recall就是指：检索系统能“回忆”起那些事的多少细节，通俗来讲就是“回忆的能力”。能回忆起来的细节数 除以 系统知道这件事的所有细节，就是“记忆率”，也就是recall——召回率。 这样想，要容易的多了。