MRR
MRR的全称是Mean Reciprocal Ranking，其中Reciprocal是指“倒数的”的意思。具体的计算方法如下：
其中S是三元组集合，i 是三元组集合个数，rank_i 是指第i个三元组的链接预测排名。
该指标越大越好。
我的理解：
对于每个 testing triple，以预测tail entity为例，我们
将（h,r,t）中的t用知识图谱中的每个实体来代替
，然后通过fr（h,t）【1】函数来计算分数，这样我们可以得到一系列的分数，之后按照
降序
将这些分数排列。
例如，对于三元组(Jack，born_in，Italy)，链接预测的结果可能是：
【1】例如：transE的fr（h,t）为：
我们需要知道的是，d越小，说明两者关系越接近，分数也越高，所以f函数值是越大越好，那么在上个排列中，排的越前越好。
现在重点来了，我们去看每个 testing triple中正确答案，也就是真实的t到底能在上述序列中排多少位，比如说t1排100，t2排200，t3排60…，（上边的例子里这一条三元组t1排第二名）之后对这些排名求倒数再求平均，MRR就得到了。
MR
Mean rank 具体计算方式如下：
上述公式涉及的符号和MRR计算公式中涉及的符号一样。该指标越小越好。
我的理解：
对于每个 testing triple，以预测tail entity为例，我们
将（h,r,t）中的t用知识图谱中的每个实体来代替
，然后通过fr（h,t）函数来计算分数，这样我们可以得到一系列的分数，之后按照升序将这些分数排列。
Hit@n
该指标是指在链接预测中排名小于n的三元组的平均占比。具体的计算方法如下：
我的理解：
比如hit@10
还是按照上述进行f函数值排列，然后去看每个testing triple正确答案是否排在序列的前十，如果在的话就计数+1
最终 排在前十的个数/总个数 就是Hit@10
该指标越大越好
注意
MRR和HITS@10是两个重要指标，不可缺少。MR则不被认为是一个好的指标。