归一化折损累计增益 (nDCG)

归一化折损累计增益(Normalized Discounted Cumulative Gain,nDCG)是信息检索和推荐系统中评价排序结果质量的核心指标。它同时考虑两点:每个结果的相关性有多高,以及它被排在了什么位置。越相关的结果排得越靠前,得分越高。

概述

在排序任务中,不仅要找到相关内容,还要把最相关的内容排在前面。累计增益(CG)只把前若干结果的相关性简单相加,忽略了顺序。折损累计增益(DCG)则引入位置折损,越靠后的结果按对数方式打折,体现出靠前位置更重要。nDCG 进一步用理想排序下的 DCG 做归一化,把分数缩放到零到一之间,使不同查询之间可以公平比较。

核心原理

• 相关性分级:每个结果可有多个相关等级,而非仅相关或不相关。
• 位置折损:靠后的结果贡献按对数递减。
• 累计增益:对前 K 个结果的折损增益求和。
• 理想归一化:除以最优排序对应的 DCG,得到零到一的分数。

应用场景

nDCG 广泛用于评估搜索引擎排序、推荐系统排序以及检索模型和重排序模型的效果,常写作在前 K 个结果上的 nDCG@K。相比只看是否命中的召回率或精确率,它能更细致地反映排序质量,特别适合相关性有多个等级、且强调头部结果体验的场景。

常见问题

问:nDCG 相比召回率有什么优势?答:召回率只关心相关文档是否被找到,而 nDCG 还关注它们排得靠不靠前以及相关程度高低,更贴近真实使用体验。

问:nDCG@K 里的 K 怎么定?答:通常根据实际展示的结果数量确定,例如只关心首屏前十条时用 nDCG@10。