https://www.e7coding.com/tags/%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F/Recent content in 推荐系统 on E7CodingHugozh-cnJoyJoyTue, 16 Jun 2026 14:00:00 +0800https://www.e7coding.com/posts/ai-recall-and-recall-strategy/Tue, 16 Jun 2026 14:00:00 +0800Joyhttps://www.e7coding.com/posts/ai-recall-and-recall-strategy/<blockquote> <p>在 AI 领域，<strong>召回率</strong>和<strong>召回策略</strong>几乎出现在所有「从一堆数据里找东西」的场景：搜索、推荐、RAG、问答、风控识别、目标检测、信息抽取……它们共同回答一个问题——<strong>系统能不能把「应该找出来的东西」尽量找全。</strong></p> </blockquote> <h2 id="1-什么是召回率">1. 什么是召回率？</h2> <p><strong>召回率（Recall）</strong> 衡量的是：在所有真实相关的结果中，系统成功找回了多少。</p> <div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">召回率 = 找回的相关结果数 / 全部真实相关结果数</span></span></code></pre></div><p>举个例子：系统里一共有 100 条真正相关的数据，你的算法只找回了 80 条。</p> <p>那么 <code>召回率 = 80 / 100 = 80%</code>，也就是说，系统<strong>漏掉了 20 条</strong>相关数据。</p> <h2 id="2-召回率关注什么">2. 召回率关注什么？</h2> <p>召回率重点关注的是 <strong>少漏掉</strong>。它不太在意找回来的内容里有没有噪声，只关心：</p>