某一用户没有推荐brand，准确率算多少？

在信息检索和推荐系统中，Precision（精确率）和Recall（召回率）是衡量系统性能的两个重要指标。

• Precision（精确率）是指系统返回的结果中真正相关的结果所占的比例。计算公式为：[ \text{Precision} = \frac{\text{真正例（True Positives）}}{\text{真正例（True Positives） + 假正例（False Positives）}} ]

• Recall（召回率）是指系统返回的相关结果占所有实际相关结果的比例。计算公式为：[ \text{Recall} = \frac{\text{真正例（True Positives）}}{\text{真正例（True Positives） + 假负例（False Negatives）}} ]

如果根本不给某用户推荐任何商品，这意味着没有返回任何结果，即“真正例（True Positives）”、“假正例（False Positives）”都为0。在这种情况下，Precision的分子和分母都是0，按照数学上的定义，这通常被视为未定义或者说是不可计算的，因为不能除以0。但为了实用目的，可以认为在这种情境下Precision为1（因为没有做出错误的推荐，即没有假正例），前提是如果我们约定不考虑未推荐的情况作为评价的一部分。然而，更严格地讲，在没有做出任何推荐尝试时，直接应用Precision的定义是不合适的，因此一些文献或实践中可能会避免给出具体数值，或者明确指出这种情况下的特殊处理方式。

综上所述，从理论计算的角度，由于分母为0，Precision不是直接计算得出1或0。但在实际讨论中，若侧重于系统未犯错（无假正例）的角度，有时会倾向于视其为1。不过，这种处理更多依赖于特定场景下的定义和解释。而Recall在这种情况下肯定是0，因为没有推荐出任何商品，即使有相关商品也等于没有召回。