> For the complete documentation index, see [llms.txt](https://torchme.gitbook.io/t.me-persecond300k/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://torchme.gitbook.io/t.me-persecond300k/recsys/navigation/metrics/recall.md).

# Recall

## Что такое Recall?

**Recall\@k** — это метрика, которая показывает, какая часть всех релевантных элементов была рекомендована пользователю в первых N рекомендованных элементах. Проще говоря, она измеряет СКОЛЬКО РЕЛЕВАТНЫХ ТОВАРОВ из ТОП-N выдачи купил пользователь из ВСЕХ ВОЗМОЖНЫХ РЕЛЕВАТНЫХ ТОВАРОВ.

***

## Пример

У нас есть 10 товаров, которые мы показали пользователю. Тогда что бы посчитать полноту — recall\@10 мы просто возьмем все релеватные товары в выдаче, а их у нас 5 *(под индексами 1, 3, 4, 6, 8)* и поделим на все релевантные товары, а их у нас 8 *(под индексами 1, 3, 4, 6, 8, 11, 13, 14)*. recall\@10 = 5/8 = 0.625

Грубо говоря это единички таргета в выдаче, по сравнению ко всем единичкам в таргетах.

Давайте теперь посмотрим в топ 5 рекомендаций. В этом коротком листе мы имеем только 3 релевантных элемента которые мы предложили. Тогда Recall\@5 будет 37.5% (3 из 8). Это означает что система уловила менее половины элементов в топ-5 рекомендациях.

***

## Реализация на Python

```python
def recall(recommendation, targets):
    """Computes the recall at k for a single user."""
    if not isinstance(recommendation, (list, np.ndarray)):
        raise TypeError(f'recommendation must be a list or numpy.array, not {type(recommendation)}')
    if not isinstance(targets, (list, np.ndarray)):
        raise TypeError(f'targets must be a list or numpy.array, not {type(targets)}')

    if len(targets) == 0:
        return 0.0

    flags = np.isin(recommendation, targets)
    recall = float(np.sum(flags)) / len(targets)
    return recall

def recall_at_k(dataframe, k=5, user_col='user', item_col='item', score_col='score', target_col='target'):
    """Computes the recall at k for each user and returns the average."""
    grouped = dataframe.groupby(user_col)
    
    recalls = grouped.apply(lambda user_data: recall(
        user_data.sort_values(score_col, ascending=False)[item_col].values[:k],
        user_data[user_data[target_col] == 1][item_col].values
    ))
    
    return recalls.mean()
```

***

## Дополнительные ссылки

<https://www.evidentlyai.com/ranking-metrics/precision-recall-at-k>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://torchme.gitbook.io/t.me-persecond300k/recsys/navigation/metrics/recall.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.