NDCG

Parent: ai_keywords

NDCG (Normalized Discounted Cumulative Gain)

【核心定义】

NDCG（归一化折损累计增益）是一种衡量排序列表质量的评价指标，广泛应用于信息检索与推荐系统。它通过考虑结果的相关性等级（而非二值相关）和位置折扣（越靠前越重要），对排序优劣进行量化。NDCG取值 [0,1]，越接近1表示排序与理想排序越一致。

【关键技术点】

1. 累计增益（CG）
   不考虑顺序，直接累加前k个结果的相关性得分。CG = Σ relevance_i。

2. 折损累计增益（DCG）
   引入位置折扣：DCG@k = Σ (rel_i / log₂(i+1))。排名越靠后，折扣越重，惩罚不相关结果排在前列。

3. 理想排序（IDCG）
   对同一查询按相关性降序排列后的DCG最大值，作为归一化分母。

4. 归一化
   NDCG@k = DCG@k / IDCG@k。消除查询间差异，使不同查询的排序质量可比较。

5. 多级相关性
   支持0、1、2等多级标签（如不相关、部分相关、高度相关），优于仅用二值（相关/不相关）的指标。

【医学/神经科学应用场景】

首都医科大学神经病学系 - 阿尔茨海默病影像检索系统评估
在基于MRI的AD早期诊断辅助中，系统需从海量脑影像中检索与患者最相似的匹配病例。传统指标（如Top-1准确率）忽略“次优匹配”的诊断价值。采用NDCG@k评估：

• 相关性等级由神经科专家标注：3级（相同亚型及病程）、2级（同亚型不同病程）、1级（不同亚型但相关病理）、0级（无关）。
• 计算检索列表的NDCG@20，评价模型是否将更匹配的病例排在前面。
• 首都医科大学团队利用该指标优化了基于多模态MRI的深度哈希检索模型，使诊断辅助的临床可用性提升15%，避免因早期漏排关键相似病例而误判。该应用验证了NDCG在医学排序任务中对多级相关性和位置敏感性的独特价值。