一、定义与公式
P@K 全称是 Precision at K，即“前K个结果的精确率”。
它衡量的就是：在系统返回的排名列表里，只看前 K 个结果，其中有多少是相关的。
公式非常简单：
-
如果总结果数不足 K 个，通常就按实际数量计算。
-
值域是 0 到 1，越高说明前 K 个结果里“干货”越密集。
二、计算举例
假设某次查询，系统返回前 5 个结果如下（✅ 相关，❌ 不相关）：
| 排名 | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| 相关性 | ✅ | ❌ | ✅ | ✅ | ❌ |
-
P@3：看前 3 个，相关文档在第 1、3 位，共 2 个 → P@3 = 2/3 ≈ 0.67
-
P@5：看前 5 个，相关文档在第 1、3、4 位，共 3 个 → P@5 = 3/5 = 0.6
你会发现，P@K 只关心相关文档的数量，完全不管它们在 K 里面的具体排序。第 1 位和第 K 位对 P@K 的贡献完全一样。
三、和MRR、MAP 对比
可以这样理解：
-
MRR（单兵）：只关心“第一个冲过去的士兵”排在第几位。第1位和第5位天差地别。
-
MAP（团队）：关心“所有士兵的整个队形”是否整体尽量靠前，精确率随着每个相关士兵的位置动态计算。
-
P@K（阵地内点名）：完全不关心过程和队形，只管“在前 K 个冲过线的士兵里，清点一下有多少是自己人”。只要在这 K 个里面，无论你是第1个还是第K个，价值相同。
具体区别见下表：
| 指标 | 关心范围 | 是否关心内部排序 | 对相关文档遗漏的态度 |
|---|---|---|---|
| MRR | 只看第 1 个相关文档 | 极度敏感，排名越前越好 | 完全忽略其他相关文档 |
| MAP | 所有相关文档 | 敏感，越靠前，对 AP 贡献越大 | 惩罚遗漏，遗漏越多 AP 越低 |
| P@K | 只看前 K 个结果 | 不敏感，在 K 内的排序不影响分数 | 只看 K 内，K 外任何相关文档都不管 |
四、应用场景与局限
适用场景：
-
搜索结果首页评估：用户通常很少翻页，所以 P@10 或 P@20 直接反映首页的“含金量”。
-
推荐系统的“首屏”评估：衡量用户第一眼看到的东西里，有多少是感兴趣的。
-
需要简单对比的场景：只给一个数字，清晰明了。
主要局限性：
-
不考虑排序：两个系统 P@5 相同，但一个把最好的全放在第 4、5 位，另一个放在 1、2 位，P@5 看不出差别。
-
K 值难以确定：K 选小了（如 P@1），等同于只看第一个，丧失信息；K 选大了，又可能稀释掉排序顶部优势。
-
忽略召回：一个查询总共有 10 个相关文档，系统 A 前 5 个里塞了 5 个相关（P@5=1.0），系统 B 前 5 个只找到 3 个相关（P@5=0.6），但 B 把另外 7 个都排在 6-10 位，A 完全遗漏了它们。P@5 会认为 A 更好，但如果用户想看全，B 可能更优。
五、P@K 与 MAP 的关系
MAP 计算中的 AP（平均精确率），就是在多个“截断位置”上的精确率平均值。实际上：
-
AP 可以理解为：在每个相关文档出现的位置，计算一次 P@(该位置)，然后取平均。
-
而固定 K 的 P@K，只是 AP 计算过程中某一个点的快照。
所以，P@K 是构成更全面指标（如 MAP）的基本“积木”。当评估要求非常简单，只需要一句“用户只看前 K 个结果，里面有多少是想要的”时，P@K 就是最直接、最实用的回答。
