知识图谱常用评价指标：MRR，MR，HITS@K，Recall@K，Precision@K

MRR：计算正确事实排名的倒数的平均值，反映模型将正确事实排在靠前位置的能力。Hits@k：计算正确事实排名在前 (k) 位的比例，反映模型在前 (k) 位返回正确答案的能力。两者都依赖于过滤设置，以确保评估的公平性和合理性。

本文为知识图谱新手系统解读了MR、MRR、Recall@K和HITS@K等核心评估指标。通过生活化类比，阐释了这些指标如何衡量链接预测和实体推荐中排序结果的准确性、头部命中率及查全查准平衡，帮助读者快速理解并应用于模型优化与论文解读。

Recall@K是信息检索和推荐系统中衡量排序列表头部(前K个结果)召回能力的指标。其定义为：其中，相关物品通常指用户真实感兴趣、与查询匹配或被标注为正例的物品。对于单次查询或单个用户，Recall@K 是一个 0 到 1 之间的分数。在多查询/多用户的场景下，通常计算平均 Recall@K（即Mean Recall@K）。

hit@k 指的是在前 k 个结果中命中的概率。举例而言，假设我们在做 MLM (masked language model) 任务，输入：A bird usually has [MASK] legs. 真实标签为：two，输出的结果为： four: 0.321 two: 0.178 three: 0.114 six: 0.064 no: 0.063 如果是用 hit@1 accuracy 作为评价指标，那么我们看前 1 个结果，是 four，那么 FN + 1； 如果是用 hit@2 accura

MRR（Mean reciprocal rank） MRR最早是在搜索场景下衡量，返回结果的质量。 其基于一个假设“每一个query Q只有一个与其相关(relevant)的结果A” 指标反应的是我们找到的这些item是否摆在用户更明显的位置，强调位置关系，顺序性。公式如下，N表示推荐次数，1/p表示用户真实访问的item在结果列表中的位置，如果没在结果序列中，则p为无穷大，1/p为0。 如上图，有N次搜索，p_i是第i次搜索的结果中最相关结果的位置，其倒数就是返回结果的质量。 python实现： '''

(1）精确率。精确率（Precision）指问答方法对每个自然语言问句给出的黄金标准答案（问题对应的一个标准答案）占所有返回答案总数的比例。精确率计算公式可以形式化表示： (2）召回率。一个自然语言问句可能存在多个标准答案，如：问题“杭州有那些景点？”就有多个标准答案，因此需要评测知识图谱问答方法召回完整答案的能力。召回率（Recall）表示知识图谱问答方法返回的正确答案数占返回的黄金标准答案的比例。召回率计算公式可以形式化表示为： (3）准确率。准确率（Accuracy）表示知识图谱问答方法回答正确的

本文为知识图谱新手系统解读了MR、MRR、Recall@K和HITS@K等核心评估指标。通过生动的招聘场景类比，深入浅出地解释了各指标的计算逻辑、应用场景及如何联合解读，帮助读者快速掌握如何评估模型在链接预测任务中的准确性与效率，为模型优化和论文阅读提供清晰指导。

本文为知识图谱新手详细解读了链接预测任务中的五个核心评估指标：MRR、MR、HITS@K、Recall@K和Precision@K。通过生活化类比和实例对比，深入浅出地阐明了各指标的核心关注点、计算方式与应用场景，并指导如何科学选择与组合这些指标，为模型性能提供全面评估。

首先需要说的是，这几个东西都是评价标准，在我当前工作的领域而言，其衡量的是推荐系统的性能。R(Recall)

平均倒数排名（Mean Reciprocal Rank, MRR）是一个国际上通用的对搜索算法进行评价的机制。 描述 第一个结果匹配，分数为1，第二个匹配分数为0.5，第n个匹配分数为1/n，如果没有匹配的句子分数为0。最终的分数为所有得分之和。 数学形式 正确检索结果值在检索结果中的排名来评估检索系统的性能。 其中，是用户的个数，是对于第个用户，推荐列表中第一个在ground-t...

命中率是衡量推荐系统准确性的指标之一。它表示。命中率的计算非常直接。你只需要统计推荐列表中用户实际感兴趣的项目数量，然后除以测试集中用户实际感兴趣的总项目数量。示例：假设一个用户在测试集中对5个项目感兴趣，推荐系统推荐了10个项目，其中3个是用户实际感兴趣的，那么命中率为 3/5 = 0.6。

Hit@K / MRR

1

TensorLayer作为深度学习与强化学习库，为科研人员和工程师提供了强大的图神经网络（GNN）支持。在链路预测任务中，准确评估模型性能至关重要，MRR（平均倒数排名）和Hits@K指标正是衡量模型预测准确性的核心工具。 ## 🔍 什么是链路预测？ 链路预测是图神经网络中的重要任务，旨在预测图中缺失的边或未来可能出现的连接。在实际应用中，链路预测广泛应用于社交网络推荐、蛋白质相互作用预测、

MAP、MRR、NDCG

知识图谱嵌入的衡量指标：MRR，MR，HITS@n

MRR(Mean Reciprocal Rank, 平均倒数排名) 是一个国际上通用的对搜索算法进行评价的机制，即第一个结果匹配，分数为1，第二个匹配分数为0.5，第n个匹配分数为1/n，如果没有匹配的句子分数为0。最终的分数为所有得分之和。...

深度学习性能指标是用于评价深度学习模型性能的依据，是设计模型的重要依据。