传统的产品验收过程，通常是逻辑走查，就是查看功能有没有实现、逻辑上有没有缺陷。对于产品经理和测试来说来说代码可能算黑盒，但是通过Code Review (代码审查)，依然可以把最幽暗的逻辑暴露在阳光之下，锁定问题。但是在AI时代的算法，算法都是由数学公式和数据训练而成，输出结果通常是概率性的。是一个难以打开的黑盒。逻辑无处可寻，那应该怎么办呢？

用一句话总结就是：定义统计验收标准，找到问题源头奥义。

放在AI产品上就是：1. 建立基于数据测试的验收标准，用统计的方式进行验收；2. 溯源最初始的算法模型，找到其中的奥义；

今天，先分享验收的思路：

一、准确率和召回率

信息检索领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率。主要目的为了判断该文档是否与用户的搜索请求相关。

如检索“酒店”，系统中所有的酒店内容就是相关，而“美食”的内容就是不相关的，一般情况下，相关的内容就是理论上需要完全被检索到的内容，但是可能搜索结果会与目标产生偏差。这里我们所说的“目标”是找出数据库中所有相关的内容，但是可能由于算法等原因没有呈现在搜索结果中。

通过是否相关和是否被检索到两个维度的指标，我们可以将检索完成后的内容分为四类。如下图：

精确率表示，搜索结果中有多少是正确的，所以计算公式的分子是结果中与目标相关的文档数（N），分母是所有的查询结果（N+M）

召回率表示，搜索结果是否召回（覆盖）了系统中存在目标相关文档，所以计算公式的分子是结果中与目标相关的文档数（N），分母是所有与目标相关的文档（N+K）

二、P@10指标

这个指标关注前搜索结果中排名靠前的10个结果的质量。因为2/8 原则，在搜索出来的一堆结果中，用户通常更加关注排序前面的内容。所以，评估数据取了前面10条。

假设，一段查询的结果排序有如下，假设就是搜“乔布斯去菜市场买苹果”，那么第一页的10条结果里面有讲乔布斯简介的、有讲水果的苹果、有讲苹果公司的，只有5条讲乔布斯买苹果的。

绿色的打钩的表示是正确的，红色的打叉的是错误的结果。

P@10 分子是对的结果数5，分母是10（因为取的是前面10条）

三、MAP指标（Mean Average Precision）

MAP(Mean Average Precision)：平均正确率，针对多次查询计算得出。先理解一下AP，AP是一次查询的文档排序正确率平均值。假设一次查询搜索结果，如下图：

在与查询相关的目标文档只有A、B、C三个文档，在这次搜索结果中有8个结果。分别把A、放在了第二个，把B放在了第四个，把C放在了第六个，剩下都是不相关的结果。先计算文档A、B、C的理想排序位置和实际结果的比值（1/2、2/4、3/6），然后计算者三个排序的平均数（累加3个结果➗3）。

这样系统检索出来的相关文档越靠前(排序越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。

MAP的M是什么呢？M代表，多次查询结果，把多次查询的AP分值累加后再平均即可。

总结

不同产品需求不同，指标侧重不同，因此不能一概而论。需要综合分析，合理的选取指标。

例如对于搜索产品，召回率和精确率，就处于一种平衡的关系，如果精确率提升可能召回率就降低，因此，还发明了F值进行评估（正确率 * 召回率 * 2 / (正确率 + 召回率) ），再以辅助以排序MAP指标。​

参考文献

《这就是搜索引擎》 张俊林