衡量知识图谱嵌入（Knowledge Graph Embedding，KGE）模型性能中最常用的几个指标：MRR，MR，HITS@n。
在进行KG嵌入时，首先把实体以及关系随机初始化为一定维度的向量，然后进行训练，目的使（头实体+关系）向量与尾实体向量在空间中的表示尽可能相近。训练完成后，需要衡量嵌入质量。
在评估时，对于一个三元组，将尾实体替换成任意一种其他的实体（共n-1个，只改变尾实体，其他不变），这样得到了（n-1）个新的关系三元组，然后求这n个三元组的实体关系距离，将这n个三元组按照距离从小到大排列。例如，有一个三元组（小明，出生在，苏州），假如还有其他实体{香皂，火车，橡皮，武汉}，将三元组尾实体分别替换成其他地点实体，并计算实体关系距离，并对这n个三元组进行排名，如下表所示：
 h       r       t         score   rank
小明   出生在   香皂        0.789    1
小明   出生在   苏州        0.753    2  
小明   出生在   火车        0.695    3
小明   出生在   橡皮        0.456    4
小明   出生在   武汉        0.234    5 
由上述可知我们得到了（小明，出生在，苏州）这个三元组实体关系在空间中的距离排名为2，这一个三元组计算完了，然后再计算其他三元组，{苏州，地级市，江苏}、{整数，含于，实数}、{飞机，速度快，火车}等等，方法与上述方法相同。假如求得所有三元组的排名分别为2，6，1，2，4。然后用如下几种方法求嵌入质量。
一、MRR
MRR的全称是Mean Reciprocal Ranking，即平均倒数排名。具体的计算方法如下：
其中
是三元组集合，|S|是三元组集合个数，是指第个三元组的链接预测排名（距离得分）。 MRR值越大越好，表明排名符合事实情况，那么嵌入效果就好。那么根据上述结果：
二、MR
MR的全称是Mean Rank。具体的计算方法如下：
求解思路和MRR相同，就是把倒数排名换成不是倒数排名， MR值越小越好。
三、HITS@n
该指标是指在链接预测中排名小于等于
的三元组的平均占比。具体的计算方法如下：
符号与上述一样，另外Ⅱ(·)是indicator函数（若条件真则函数值为1，否则为0）。一般地，取n为1、3或者10， HITS@n指标越大越好。例如HITS@1即为选排名为1的三元组为1，其他为0，计算为：
再如HITS@3即为选排名为3名以内的的三元组为1，其他为0，计算为：
Original: https://blog.csdn.net/zcs2632008/article/details/123258206
Author: SU_ZCS
Title: 知识图谱嵌入的衡量指标：MRR，MR，HITS@n
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/554709/
转载文章受原作者版权保护。转载请注明原作者出处！