什么是平均倒数排名 (MRR)？ 平均倒数排名 (MRR) 是一种用于评估返回排名结果的系统（例如搜索引擎或推荐模型）的性能的指标。 它衡量系统在结果列表中定位第一个正确答案的效果。 具体来说，MRR 计算多个查询中第一个相关结果出现的排名的倒数（即，逆数）的平均值。 例如，如果查询的正确答案排名第一，则倒数为 1/1 = 1。如果排名第三，则倒数为 1/3 ≈ 0.33。 MRR 对所有查询中的这些值求平均值，从而为正确答案较早出现的结果赋予更高的权重。
示例和计算 假设您使用三个查询测试搜索引擎。 对于查询 1，正确的结果排名第一（倒数 = 1）。 对于查询 2，正确的结果排名第三（倒数 = 1/3）。 对于查询 3，正确的结果排名第二（倒数 = 1/2）。 MRR 是这些倒数的平均值：(1 + 0.33 + 0.5) / 3 ≈ 0.61。 这意味着该系统平均将第一个正确答案放在结果的顶部附近，但不是完美的。 当至少一个正确结果的存在最重要时，例如在用户期望快速获得答案的问答系统中，MRR 特别有用。
应用场景和局限性 MRR 广泛用于信息检索和推荐任务中，其目标是尽早呈现最相关的项目。 例如，在从知识库检索答案的聊天机器人中，MRR 可以衡量正确答案首次出现的频率。 但是，MRR 存在局限性：它忽略了第一个正确答案之外的多个正确结果的存在，并且不会惩罚在第一个正确答案之后返回不相关结果的系统。 诸如平均精度均值 (MAP) 或标准化折扣累积增益 (NDCG) 之类的指标更适合评估多相关性场景，但 MRR 仍然是用于单相关性应用场景的简单有效的工具。