1:Mean reciprocal rank(MRR)平均倒排序值
把标准答案在模型给出结果的排序位置的倒数作为它的准确度，再对所有的问题求平均。
2：Mean average precision（MAP）平均准确率
单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。
例如：假设有两个主题，主题1有4个相关网页，主题2有5个相关网页。某系统对于主题1检索出4个相关网页，其rank分别为1, 2, 4, 7；对于主题2检索出3个相关网页，其rank分别为1,3,5。对于主题1，平均准确率为(1/1+2/2+3/4+4/7)/4=0.83。对于主题2，平均准确率为(1/1+2/3+3/5+0+0)/5=0.45。则MAP= (0.83+0.45)/2=0.64。
3：Discounted cumulative gain(DCG)
逐条对搜索结果进行分等级的打分。
CG并不考虑在搜索结果页面中结果的位置信息，它是在这个搜索结果list里面所有的结果的等级对应的得分的总和。如一个搜索结果list页面有P个结果，CG被定义为：
reli 是第i位结果的得分。CG的统计并不能影响到搜索结果的排序，CG得分高只能说明这个结果页面总体的质量比较高并不能说明这个算法做的排序好或差。
Discounted Cumulative Gain
在一个搜索结果list里面，比如有两个结果的打分都是Good，但是有一个是排在第1位，还有一个是排在第40位，虽然这两个结果一样都是Good，但是排在第40位的那个结果因为被用户看到的概率是比较小的，他对这整个搜索结果页面的贡献值是相对排在第一位那个结果来得小的。 DCG的思想是等级比较高的结果却排到了比较后面，那么在统计分数时，就应该对这个结果的得分有所打折。一个有p（P≥2）个结果的搜索结果页面的DCG定义为：
DCG的公式另外一种表达式是：
这个表达式在一些搜索文档中经常会被提到，他的作用和之前的那个公式一样，但是这个公式只适合打分分两档的评测。
4：NDCG
因为不同query的搜索结果有多有少，所以不同query的DCG值就没有办法来做对比.
IDCG（ideal DCG），就是理想的DCG。IDCG如何计算？首先要拿到搜索的结果，人工对这些结果进行排序，排到最好的状态后，算出这个排列下本query的DCG，就是IDCG。因为nDCG是一个相对比值，那么不同的query之间就可以通过比较nDCCG来决定哪个query的排序比较好。
5：Rank correlation（RC）
通过计算模型产生的排序结果与人工排序的结果相关性（一致性）来比较模型的好坏。取值在【-1,1】，越接近1越好。