each_precision那一句应该可以借助melt后的功能更好得到，或者data.table包，我用的不熟

m2即是测试与推荐达到吻合的地方

我觉得是可以通过merge函数来实现precision的计算的，因为你按照user and item合并后，设置all=TRUE，并且先在testing的数据集添加一列全部为1的常数量，合并后，只需要对这一列加总就可以看出有多少是匹配的了。
主要是楼主给的数据太少，我这种做法适合你给同一个user推荐多种商品的时候计算的。

再结合tapply和length函数，计算出每一个user推荐的产品数，就可以算precision了。

flg <- 1
recommendation <- data.frame(recommendation,flg)
flg <- 0
testing <- data.frame(testing,flg)
usercount <- data.frame(with(recommendation,table(user)))
recommendation1 <- rbind(recommendation[,c("user","item","flg")],testing[,c("user","item","flg")])
preList <- aggregate(recommendation1,by=list(recommendation1$user,recommendation1$item),FUN=sum)
pre <- merge(testing,preList,by.x=c("user","item"),by.y=c("Group.1","Group.2"))[,c(1,2,7)]
precision <- merge(pre,usercount)
precision <-  data.frame(precision,preci=precision$flg.y/precision$Freq)
precision[,c(1,2,5)]