一代目1. 什么是NDCG？
在推荐系统和搜索引擎领域，评估排序结果的质量至关重要。NDCG（Normalized Discounted Cumulative Gain，归一化折损累计增益）就是这样一个被广泛使用的评价指标。我第一次接触NDCG是在优化电商推荐系统时，当时团队需要量化不同排序算法对用户点击率的影响。
NDCG的核心思想是：越相关的结果排在越前面，得分越高；同时考虑不同位置结果的权重衰减。举个例子，当你在电商平台搜索"无线耳机"时，排在前三位的商品如果恰好是你最想要的型号，这个排序就比把好商品藏在第10页要合理得多。
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的计算原理
2.1 基础概念拆解
让我们拆解这个指标的名称来理解其含义：
- Gain（增益）：每个结果的关联程度得分
- Cumulative（累计）：将前N个结果的得分相加
- Discounted（折损）：对靠后的结果进行降权
- Normalized（归一化）：将得分标准化到0-1之间
2.2 具体计算步骤
计算NDCG通常分为以下几步：
-
计算DCG（折损累计增益）：
code复制DCG@k = rel₁ + Σ(relᵢ / log₂(i+1)) for i=2 to k其中relᵢ是第i个结果的关联度得分
-
计算IDCG（理想DCG）：
将结果按关联度从高到低排序后计算的DCG -
归一化得到NDCG：
code复制NDCG@k = DCG@k / IDCG@k
注意：log底数通常取2，这是为了更显著地降低后面结果的权重。在实际应用中，也有人使用自然对数ln。
2.3 关联度评分设置
关联度(rel)的设定很关键，常见的有：
- 二值相关：相关=1，不相关=0
- 多级相关：比如0-5分制
- 连续值：点击率、购买转化率等
在电商推荐中，我们常用5级评分：
- 5分：用户购买
- 4分：加入购物车
- 3分：详细页停留>30秒
- 2分：点击
- 1分：曝光但未点击
- 0分：不相关商品
3. 为什么NDCG如此重要？
3.1 与传统指标对比
相比简单的准确率(Precision)和召回率(Recall