MRR
概述
平均倒数排名指标，衡量正确物品在推荐列表中排名的倒数的均值，对排序位置敏感，是推荐系统评估中与 Recall@K 互补的核心指标。
关键内容
-
定义：MRR@K = $\frac{1}{|U|} \sum_{u \in U} \frac{1}{\text{rank}_u}$，其中 $\text{rank}_u$ 是用户 $u$ 的真实交互物品在推荐列表中的排名（若未在前 K 内则记为 0）。取值范围 [0, 1]，越高越好。
-
与 Recall@K 的区别：Recall@K 只关心"是否在前 K 内"，MRR 关心"排在第几位"。若正确物品排在第 1 位，MRR 贡献为 1.0；排在第 10 位，贡献仅 0.1。MRR 对排序位置更敏感。
-
与 NDCG 的区别：NDCG 通过折扣因子对多个相关物品的位置进行加权，适合多标签场景；MRR 通常假设每个测试样本只有一个正确物品，计算更简单。两者在单标签场景下趋势一致。
-
在序列推荐中的应用：GRU4Rec 使用 MRR@20 作为辅助评估指标，在 RSC15 数据集上达到 0.2164。后续研究通常报告 MRR@5、MRR@10、MRR@20 多个 K 值。
-
直观理解：MRR = 0.2 意味着平均而言正确物品排在第 5 位左右；MRR = 0.5 意味着平均排在第 2 位。MRR 对头部排名非常敏感，适合评估"首屏推荐"质量。