MRR (Mean Reciprocal Rank)

Promedio del recíproco de la posición de la PRIMERA respuesta relevante recuperada.

MRRRanking QualityEvaluationSearch Benchmarking

Definición Técnica & Formal

MRR mide la calidad del ranking premiando a los sistemas que colocan la primera respuesta correcta en las primeras posiciones. Si la primera respuesta correcta aparece en la posición 1, el score recíproco es 1/1 = 1.0; si aparece en la posición 2, es 1/2 = 0.5; en la posición 3, es 1/3 = 0.33.

Puntos Clave & Aplicaciones

Ideal para asistentes de IA y chatbots donde el usuario solo lee el primer resultado.

Sensible a la posición exacta del mejor elemento.

Escala de 0.0 (pésimo) a 1.0 (perfecto).

Intuición Visual para Mente Gráfica

"Llegar en 1º lugar te da 100 puntos; llegar en 2º lugar te da 50 puntos; en 3º lugar te da 33 puntos. ¡El primer lugar cuenta muchísimo más!"

💡 Tip: Puedes presionar el botón "Dibujar / Apuntes" en la barra superior para hacer anotaciones gráficas sobre este diagrama.

Fórmula Matemática

MRR = (1 / |Q|) * sum(1 / rank_i)

Demostración Visual e Interactiva

Interactúa con los controles para simular dinámicamente el funcionamiento de MRR (Mean Reciprocal Rank).

Visualizador de la Arquitectura "MRR (Mean Reciprocal Rank)"

Llegar en 1º lugar te da 100 puntos; llegar en 2º lugar te da 50 puntos; en 3º lugar te da 33 puntos. ¡El primer lugar cuenta muchísimo más!

Categoría: Métricas & Evaluación

Ejemplo de Código & Demostración

python

def calculate_mrr(queries_results):
    reciprocal_ranks = []
    for retrieved_list, gold_ids in queries_results:
        rank = None
        for idx, doc_id in enumerate(retrieved_list, start=1):
            if doc_id in gold_ids:
                rank = idx
                break
        if rank:
            reciprocal_ranks.append(1.0 / rank)
        else:
            reciprocal_ranks.append(0.0)
    return sum(reciprocal_ranks) / len(reciprocal_ranks)

💡 Función en Python para evaluar el Mean Reciprocal Rank (MRR).

Conceptos Relacionados

Benchmark & Rendimiento de Índices

Proceso de evaluación cuantitativa del balance entre latencia (QPS) y precisión (Recall@K) en índices de búsqueda.

Gold Dataset (Ground Truth)

Conjunto de datos de prueba de referencia dorada verificado por expertos humanos para benchmarking.

Hit Rate @ K

Porcentaje de consultas donde al menos un documento correcto de la referencia está en los primeros K resultados.

Recall @ K (Exhaustividad)

Porcentaje de todos los documentos verdaderamente relevantes que el sistema logra recuperar en los primeros K resultados.