Welche Metriken sind wichtiger für die Bewertung der Empfehlungsqualität: Präzision oder Recall?

Die Wahl zwischen Precision und Recall zur Bewertung der Empfehlungsqualität hängt von der konkreten Aufgabe und den Prioritäten des Geschäfts ab.

• Precision (Genauigkeit) zeigt, welchen Anteil der empfohlenen Elemente der Nutzer tatsächlich positiv bewertet hat. Hohe Precision ist wichtig, wenn es darum geht, die Anzahl irrelevanter Empfehlungen zu minimieren, um den Nutzer nicht zu verärgern.

• Recall (Vollständigkeit) zeigt, welchen Anteil aller relevanten Elemente das System empfehlen konnte. Hoher Recall ist wichtig, wenn es darum geht, keine wichtigen Elemente für den Nutzer zu verpassen, auch wenn dadurch mehr Rauschen in den Empfehlungen entsteht.

In Empfehlungen ist oft ein Gleichgewicht zwischen Precision und Recall wichtig, weshalb Metriken wie F1-Score oder AUC verwendet werden. Zum Beispiel kann bei E-Commerce die Precision wichtiger sein, um dem Nutzer keine irrelevanten Produkte zu zeigen. Bei Bildungsplattformen kann der Recall wichtiger sein, um keine nützlichen Materialien zu verpassen.

Daher lässt sich nicht pauschal sagen, was wichtiger ist — es sollte an den Geschäftszielen und dem Anwendungskontext ausgerichtet werden.