排序指标 --- 1、平均准确率均值 (Mean Average Precision-MAP) & 2、NDCG （normalized discounted CG-cumulative gain，累计增益）

NDCG（归一化折扣累积增益）和MAP（平均精度均值）两个评估指标的详细解释，结合它们在信息检索、推荐系统及RAG（检索增强生成）系统中的应用场景、计算方法和核心差异：

一、NDCG（Normalized Discounted Cumulative Gain）​

1. ​定义与核心思想

NDCG是一种衡量排序质量的指标，特别关注排名列表中相关项目的位置和相关性等级。其核心思想是：​排名靠前的相关项目对用户的价值更高，因此需对高排名位置的相关性赋予更大权重，并通过归一化处理消除不同长度结果集的偏差。

2. ​计算方法

1. ​

   

    

2. DCG（折扣累积增益）​：计算前k个结果的累积增益，并对位置进行对数折扣。其中，rel_i​表示位置i的相关性评分（如二元评分0/1或多级评分1-5）

   

3.  

    ​IDCG（理想DCG）​：对同一查询的理想排序（相关项全部靠前）计算DCG值

4. 

    NDCG：将实际DCG与理想DCG的比值作为最终结果：​范围：0（最差）到1（完美排序）

5. 

    特点与适用场景

   • ​优势：
   处理多级相关性评分（如推荐系统中的“相关”“部分相关”“不相关”）
   • 归一化特性便于不同长度结果集的横向比较。
   • ​局限性：
     • 依赖人工标注的相关性数据，数据质量要求高
     • 对部分反馈敏感，需数据清洗
   • ​典型场景：搜索引擎结果排序、推荐列表质量评估、RAG系统的检索组件优化