是Eason啊1. NDCG指标概述与核心价值
在信息检索和推荐系统领域，评估排序结果的质量一直是核心挑战。想象一下，当你在电商平台搜索"蓝牙耳机"时，系统返回的排序结果将直接影响你的购买决策和体验。NDCG（Normalized Discounted Cumulative Gain，归一化折损累积增益）正是为解决这一评估难题而设计的指标。
NDCG的核心价值在于它同时考虑了三个关键维度：
- 相关性分级：不同于简单的二值相关判断（相关/不相关），NDCG支持多级相关性评分（如0-3分）
- 位置敏感性：越靠前的结果对指标影响越大，符合用户实际浏览习惯
- 跨查询可比性：通过归一化处理，使得不同查询间的评估结果可以横向比较
在实际业务中，NDCG被广泛应用于：
- 搜索引擎结果评估
- 推荐系统排序优化
- 广告投放效果衡量
- 任何需要评估排序质量的场景
注意：NDCG计算中使用的相关性评分需要根据具体业务场景明确定义。例如在电商场景，点击可设为1分，加购2分，购买3分；在内容平台，浏览时长可划分不同分数段。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. NDCG计算全流程解析
2.1 基础概念与公式体系
理解NDCG需要逐步掌握其概念体系：
CG（Cumulative Gain，累积增益）
最基础的指标，简单累加前k个结果的相关性分数：
$$ CG@k = \sum_{i=1}^{k} rel_i $$
DCG（Discounted Cumulative Gain，折损累积增益）
引入位置折损因子，降低靠后结果的贡献：
$$ DCG@k = \sum_{i=1}^{k} \frac{2^{rel_i} - 1}{\log_2(i + 1)} $$
IDCG（Ideal DCG，理想折损累积增益）
理想排序下的DCG值（按相关性降序排列）
NDCG（Normalized DCG，归一化折损累积增益）
最终归一化指标：
$$ NDCG@k = \frac{DCG@k}{IDCG@k} $$
2.2 完整计算示例
假设搜索"无线耳机"返回5个结果，人工标注的相关性如下：
| 排序位置(i) | 结果文档 | 相关性(Rel) |
|---|