NDCG (Normalized Discounted Cumulative Gain)

概述

一种考虑推荐列表位置权重的排序质量评估指标，对排名靠前的相关物品赋予更高的权重。

关键内容

1. 定义：NDCG@K = DCG@K / IDCG@K，其中 DCG@K = Σ_(i=1)^K rel_i / log₂(i+1)，IDCG 为理想排序下的 DCG 最大值。rel_i 为位置 i 处物品的相关性得分。

2. 与 AUC 的区别：AUC 对所有位置一视同仁，只关注全局排序质量；NDCG 对 Top 位置赋予更高权重，更贴近实际推荐场景中用户主要关注前列推荐的行为。

3. 在 BPR 上下文中的意义：BPR 论文以 AUC 为主要评价指标，但后续研究指出 BPR 在 NDCG、MRR 等 Top 权重指标上的表现同样重要。Listwise 方法（如 Softmax 交叉熵）在 NDCG 上提供比 BPR 更紧的下界。

4. 适用场景：电商推荐、搜索引擎结果排序、信息流推荐等场景中，用户注意力集中在前几条结果，NDCG 比 AUC 更能反映实际用户体验。

5. 局限性：需要已知物品的相关性得分（显式反馈或人工标注），在纯隐式反馈场景下难以直接计算，通常用交互行为代理相关性。

来源

• BPR 论文 — Rendle et al. (2009) UAI 2009, 与 Listwise 方法比较中提及

相关

• AUC — compares_to
• BPR — relates_to