什么是 Recall 召回率？

Recall 召回率是衡量所有实际正例或应返回项目中，有多少被模型或系统成功找回的指标。它回答的核心问题不是“返回的结果是否都正确”，而是“应该被发现的目标有没有被漏掉”。

在分类任务中，Recall 也称为真正例率 TPR，用来观察模型识别实际正类样本的能力。在一些资料中，它也会被称为敏感度。三者在这一语境下指向同一个核心含义：实际为正类的对象中，有多少被识别出来。

要点： 召回率关注“查全”或“少漏掉”。如果一个系统漏掉了很多本应识别或返回的目标，即使它返回的部分看起来不错，召回率也可能偏低。

用一个简单类比理解召回率

可以把召回率理解为“从一堆文档中找出所有相关文档”的能力。假设文档库里有若干篇真正相关的文档，系统找回的相关文档越多，召回率越高；如果大量相关文档没有进入结果集，召回率就偏低。

这个类比也能帮助理解分类与检索之间的对应关系：

因此，召回率的直觉重点是“有没有漏掉目标”，而不是“找回来的每一项是否都足够准确”。后者通常需要结合其他评估维度一起判断。

召回率的计算思路

理解召回率时，可以先抓住分母和分子：

• 分母：所有实际正例，或所有应返回、相关的项目。
• 分子：在这些目标中，被模型或系统正确识别、实际返回的部分。

也就是说，召回率衡量的是“已找回目标”在“全部目标”中的占比。

分类任务中的计算含义

在分类场景中，分母是实际属于正类的样本，分子是其中被模型正确识别为正类的样本。召回率越高，说明模型在识别实际正类方面覆盖得越充分。

例如，在需要发现某一类目标的任务中，召回率可以帮助判断模型是否漏掉了较多实际正类样本。

信息检索和推荐中的计算含义

在信息检索和推荐评测中，召回率可以理解为：系统检索出的相关项目，占全部相关项目的比例。

如果一个文档库中存在多条相关内容，但系统只返回其中一部分，那么召回率就反映这部分覆盖程度。它适合衡量系统是否尽可能把相关内容找全。

召回率在分类模型中的作用

在分类模型评估中，召回率适合用来衡量模型发现正类目标的能力。它尤其适合回答这类问题：实际为正类的样本中，有多少被模型识别出来？

高召回率通常意味着实际正类被漏掉得更少，但它不能单独证明模型输出的所有正类结果都正确。因此，在评估模型时，召回率应放在具体任务目标中理解，而不是孤立使用。

召回率在搜索和推荐系统中的作用

在搜索相关性场景中，召回率用于衡量用户真正想要的文档有多少出现在搜索结果中。如果用户期望看到的结果没有进入结果集，即使排序靠前的部分结果看起来相关，也可能存在召回不足。

例如，某个查询本应显示三个相关产品，但前 10 名结果中只出现了两个。这个例子说明：系统并不是完全没有返回相关内容，而是没有把应出现的相关结果找全，因此存在召回不足。

在推荐或检索评测中，召回率也可表示检索出的相关文档数与文档库中所有相关文档数的比率。这个视角更强调系统对相关内容的覆盖能力。

召回率高低如何解读

召回率高，通常说明系统覆盖了更多实际正例或相关结果，适合关注“查全”的任务。召回率低，则往往意味着系统漏掉了较多目标对象，在分类、搜索或推荐场景中都可能影响结果完整性。

不同场景下，召回率的解读重点略有不同：

要点： 召回率越高，并不自动等于系统整体越好。它说明系统在“找全目标”方面表现更充分，但完整评估仍要回到具体任务目标。

使用召回率时的常见误区

误区一：把召回率理解为结果全部正确

召回率主要衡量是否找全，而不是衡量返回结果是否全部正确。一个系统可以找回很多目标对象，但这并不意味着所有返回项都一定可靠。

误区二：忽略不同场景中的正类含义

在分类任务中，正类通常指实际属于目标类别的样本；在检索语境中，相关项目也可以对应被标记为正类的项目。如果不先明确“正类”或“相关”的定义，就很容易误读召回率。

误区三：只凭召回率判断系统整体好坏

召回率适合回答“是否漏掉了应被找回的目标”。但系统整体表现还取决于任务目标、结果质量和实际使用场景。尤其在搜索、推荐和模型评估中，召回率通常应作为评估体系中的一个指标来理解。

使用召回率前的检查清单

• 是否明确了什么是“实际正例”或“相关项目”？
• 是否知道全部应返回项目的范围？
• 当前任务是否更关注“少漏掉”而不是其他目标？
• 是否避免把召回率误解为结果全部正确？
• 是否结合具体业务或评测目标解释指标含义？