一个用户会有多个ID，两个ID之间的关联称为一个link。
我们总共定义4个状态：
1.需要link且link了的 （true positive）
2.需要link没link的 （false negative）
3.不需要link却link的 （false positive）
4.不需要link且没link的（true negative）
两个指标：
Accuracy=true positive/(true positive + false positive)，这个指标代表的是ID关联的精确度，分母代表的是所有link的部分
reach=true positive/(true positive + false negatives)，这个指标代表的是ID关联的覆盖度，分母代表的是所有需要link的部分
遇到两个id时，我们的模型会给这两个id的关联程度打分（0-1），同时我们会有一个阈值，比如0.66：
分值如果高于0.66，我们就会关联这两个id，生成一个link；
分值如果低于0.66，我们就不会关联这两个id。
可以想到，阈值设置得越高，我们可以生成的link肯定会越少，所以匹配范围会变小，但由于分值更高，所以两个id的关联程度是更好的，因此匹配的准确率会越高。
结论：现在市场上会有厂家表示，我们通过机器学习的ID mapping的Accuracy有多高，实际上是牺牲了reach这个指标，如果我把阈值设置得很高，那么本来就没多少link的，而且都是强关联的link，自然就能提高Accuracy，这种提法看上去不错，其实对业务而言，用处并不大。
