如何计算MRR@n？关于Reciprocal Rank与MRR@k的困惑求解

核心概念澄清 #

• Reciprocal Rank（RR）：RR针对单相关文档场景，计算规则是取第一个被检索到的相关文档的排名倒数。如果系统仅返回前10条结果，而相关文档在第100位（不在返回集合内），此时该查询的RR为0，而非1/100——因为模型根本没把这个相关文档返回，等同于未“命中”目标。
• MRR@k（截断式平均倒数排名）：这是RR的场景化变种，仅关注返回结果的前k条：
  • 若第一个相关文档出现在前k条中，排名为r（r≤k），则MRR@k = 1/r；
  • 若前k条里无相关文档，MRR@k = 0。
  • 举个例子：MRR@10只统计前10条结果里首个相关文档的排名倒数，没找到就计0；MRR@5则把范围限定在前5条。

关于结果数量的困惑解答 #

• 不需要强制让系统返回100条结果来计算RR，因为只要相关文档不在返回的top-N结果里，RR直接计0即可——这恰恰能反映模型未检索到目标文档的性能缺陷。
• 仅统计前10位的MRR@10并非“粗浅”，它完全贴合真实检索场景：多数用户只会浏览系统返回的前几条结果，MRR@k衡量的正是模型在用户实际会关注的范围内，快速找到相关内容的能力，是实用性很强的指标。

内容的提问来源于stack exchange，提问作者Muhammad Fhadli