Recall

Recall bezeichnet eine Metrik der Retrieval-Evaluation, die den Anteil gefundener relevanter Dokumente an allen relevanten Dokumenten misst. Der Wert liegt zwischen 0 und 1, bei 1 hat ein Suchsystem alle relevanten Dokumente gefunden. Recall zeigt, wie vollständig eine Ergebnisliste ist.

Funktionsweise und Einordnung

Recall teilt die Zahl der gefundenen relevanten Dokumente durch die Zahl aller relevanten Dokumente im Korpus. Gemessen wird mit einem Cut-off: Recall@100 prüft, wie viele relevante Dokumente unter den ersten hundert Treffern liegen.

Recall braucht die Gesamtzahl relevanter Dokumente, und die ist in großen Korpora nur geschätzt bekannt. Testkollektionen beurteilen deshalb nur einen Pool von Treffern, was den gemessenen Recall zu hoch ausfallen lässt. Das Gegenstück ist Precision, die die Genauigkeit misst.

Rechenbeispiel und Einordnung neben Precision, MRR und nDCG liefert der Beitrag Retrieval-Evaluation: Wie Suchsysteme die Qualität ihrer Ergebnisse messen.

Strategische Bedeutung für SEO, GEO und AI-Search

Recall entscheidet in den frühen Stufen einer Suche, ob ein Inhalt überhaupt im Rennen bleibt. Das Generative Authority Model (GAM) von Ralf Dodler beschreibt diese Abrufbarkeit als Retrieval Activation: Ein Dokument, das die Kandidatenauswahl verpasst, kann später weder gerankt noch zitiert werden.

Was die Kandidatenauswahl verliert, holt kein Re-Ranking zurück. Ein Inhalt muss zuerst gefunden werden, bevor seine Qualität zählt.
Lexikalische und semantische Suche finden verschiedene Dokumente. Inhalte, die Fachbegriffe und Umschreibungen zugleich nutzen, werden von beiden Verfahren erfasst.
Kontext-Recall misst, ob ein RAG-System alle nötigen Informationen ins Kontextfenster holt. Fehlt eine Passage, fehlt ihre Aussage in der Antwort.

Beispiel

Zu einer Anfrage gibt es fünf relevante Dokumente. Die ersten zehn Treffer enthalten vier davon, der Recall@10 beträgt 4 durch 5, also 0,8. Die ersten fünf Treffer enthalten drei, der Recall@5 liegt bei 0,6.

Häufige Fragen zu Recall

Warum ist Recall in großen Korpora schwer zu messen?

Recall braucht die Zahl aller relevanten Dokumente, und die kennt bei Millionen Dokumenten niemand vollständig. Testkollektionen beurteilen nur die Treffer der beteiligten Systeme. Relevante Dokumente außerhalb dieses Pools fehlen im Nenner, der Recall fällt zu hoch aus.

Welcher Recall-Wert ist für die Kandidatenauswahl nötig?

Die Kandidatenauswahl braucht einen Recall@k nahe 1, weil spätere Stufen fehlende Dokumente nicht ergänzen. Precision ist dort zweitrangig. Irrelevante Kandidaten sortiert das Ranking danach aus.

Was bedeutet Recall bei ANN-Indizes?

Bei Approximate Nearest Neighbor Search misst Recall@k, wie viele Treffer der exakten Suche der schnellere Näherungsindex ebenfalls findet. Relevanzurteile spielen dabei keine Rolle. Der Wert zeigt, wie viel Genauigkeit die Beschleunigung kostet.