nDCG（Normalized Discounted Cumulative Gain，归一化折损累计增益）

nDCG（Normalized Discounted Cumulative Gain，归一化折损累计增益）是一种用于评估排序质量的指标，常见于信息检索和推荐系统。它考虑了排序列表中每个位置的相关性得分，并对靠前位置给予更高权重，同时通过归一化处理使结果在0到1之间，便于不同排序结果的比较。

它的计算步骤应该是先计算DCG，然后找到理想情况下的IDCG，最后用DCG除以IDCG得到nDCG。

计算步骤：

1. CG（Cumulative Gain）：简单累加排序列表中各结果的相关性得分。
2. DCG（Discounted CG）：对每个位置的得分进行折损（靠后的位置权重降低），公式为：
   [
   DCG = \sum_{i=1}^{n} \frac{rel_i}{\log_2(i+1)}
   ]
   其中，( rel_i ) 是第i个位置的相关性得分。
3. IDCG（Ideal DCG）：将结果按真实相关性降序排列后计算的DCG，即理想状态下的最大DCG。
4. nDCG：将DCG除以IDCG进行归一化：
   [
   nDCG = \frac{DCG}{IDCG}
   ]

数值示例：

假设搜索“机器学习”返回5个文档，真实相关性评分（0-3分）和实际排序如下：

位置	实际排序	相关性
1	文档A	3
2	文档B	2
3	文档C	3
4	文档D	0
5	文档E	1

1. 计算DCG（实际排序的折损累计增益）：

[
\begin{align*}
DCG &= \frac{3}{\log_2(2)} + \frac{2}{\log_2(3)} + \frac{3}{\log_2(4)} + \frac{0}{\log_2(5)} + \frac{1}{\log_2(6)} \
&= \frac{3}{1} + \frac{2}{1.585} + \frac{3}{2} + 0 + \frac{1}{2.585} \
&= 3 + 1.26 + 1.5 + 0 + 0.39 \
&= 6.15
\end{align*}
]

2. 计算IDCG（理想排序的DCG）：

理想排序应为相关性降序排列：文档A（3）、文档C（3）、文档B（2）、文档E（1）、文档D（0）。

[
\begin{align*}
IDCG &= \frac{3}{\log_2(2)} + \frac{3}{\log_2(3)} + \frac{2}{\log_2(4)} + \frac{1}{\log_2(5)} + \frac{0}{\log_2(6)} \
&= \frac{3}{1} + \frac{3}{1.585} + \frac{2}{2} + \frac{1}{2.32} + 0 \
&= 3 + 1.89 + 1 + 0.43 + 0 \
&= 6.32
\end{align*}
]

3. 计算nDCG：

[
nDCG = \frac{DCG}{IDCG} = \frac{6.15}{6.32} \approx 0.97
]

结论：

nDCG值为0.97，接近1，说明实际排序与理想排序非常接近。该指标能有效衡量排序质量，尤其关注高相关结果是否排在前面。值越接近1，排序效果越好。