J3Medium★ 工业基石 (核心高频)Part J · 推荐系统与搜索指标
NDCG@K 贴现累计增益与理想 IDCG 归一化
搜索排序与大模型 RAG 评测金标准,越靠前的相关结果给予越高的对数位置增益权重。
⏱️ 时间复杂度:
O(K log K) 理想排序开销💾 空间复杂度:
O(K)🎯 免登录实战自测闭环(先做再看答案)
按「机制回忆 → 关键行填空 → 边界反例 → 追问与错题记录」顺序自测,进度自动保存在本地。
Step 1 · 机制口述与数值稳定性自检
Step 2 · 核心代码关键行补全
import numpy as np
def compute_ndcg_at_k(relevance_scores: list, k: int = 10) -> float:
"""
参数:
relevance_scores: 按推荐/搜索排序给出的真实相关度得分列表 (如 [3, 2, 0, 1])
k: 截断位置
"""
rel = np.asarray(relevance_scores)[:k]
if len(rel) == 0:
return 0.0
# 1. 计算实际预测顺序的 DCG@K
discounts = np.log2(np.arange(len(rel)) + 2) # i=0 时 log2(2)=1.0
gains =
dcg = np.sum(gains / discounts)
# 2. 计算理想完美顺序下的 IDCG@K
ideal_rel = np.sort(np.asarray(relevance_scores))[::-1][:k]
ideal_gains = 2.0 ** ideal_rel - 1.0
ideal_discounts = np.log2(np.arange(len(ideal_rel)) + 2)
idcg = np.sum(ideal_gains / ideal_discounts)
if idcg == 0.0:
return 0.0
return
Step 3 · 反例与边界断言核对
Step 4 · 面试追问盲答与错题记录
Q1: MRR(Mean Reciprocal Rank)与 NDCG@K 在业务场景评估上有何差异?
💡
实战一句话记忆口诀
相关度做幂次方,位置递减对数折,理想排序作分母,满分归一评万方
📐 核心数学公式与机理推导
### 相关度增益与位置折现
在搜索引擎和推荐 Top-K 结果中,用户对排在最前面位置的注意力和满意度呈对数递减:
1. 增益部分(Gain):通常使用指数形式 放大高相关度文档与普通文档的价值差距;
2. 位置折现(Discount):除以 ( 为从 1 开始的展示位次);
3. 理想贴现增益(IDCG@K):将当前列表中所有候选文档按真实相关度从大到小完美降序排序后计算得到的 DCG,代表理论天花板;
4. 归一化(NDCG@K):,使得不同查询 Query 之间具有可比性。
在搜索引擎和推荐 Top-K 结果中,用户对排在最前面位置的注意力和满意度呈对数递减:
1. 增益部分(Gain):通常使用指数形式 放大高相关度文档与普通文档的价值差距;
2. 位置折现(Discount):除以 ( 为从 1 开始的展示位次);
3. 理想贴现增益(IDCG@K):将当前列表中所有候选文档按真实相关度从大到小完美降序排序后计算得到的 DCG,代表理论天花板;
4. 归一化(NDCG@K):,使得不同查询 Query 之间具有可比性。
🔄 张量维度与形状流转说明
相关度列表 -> 截取前 K -> (2^rel - 1)/log2(i+2) 求和得 DCG -> 降序理想排列算 IDCG -> DCG/IDCG
🛡️ 数值稳定性自检与边界要点
- discounts 分母必须加 2(即第 0 个位置 时分母为 ),切忌从 开始引发除零崩溃
- 若候选全为无关文档(IDCG=0),必须特判返回 0.0
💻 完整参考代码实现
import numpy as np
def compute_ndcg_at_k(relevance_scores: list, k: int = 10) -> float:
"""
参数:
relevance_scores: 按推荐/搜索排序给出的真实相关度得分列表 (如 [3, 2, 0, 1])
k: 截断位置
"""
rel = np.asarray(relevance_scores)[:k]
if len(rel) == 0:
return 0.0
# 1. 计算实际预测顺序的 DCG@K
discounts = np.log2(np.arange(len(rel)) + 2) # i=0 时 log2(2)=1.0
gains = 2.0 ** rel - 1.0
dcg = np.sum(gains / discounts)
# 2. 计算理想完美顺序下的 IDCG@K
ideal_rel = np.sort(np.asarray(relevance_scores))[::-1][:k]
ideal_gains = 2.0 ** ideal_rel - 1.0
ideal_discounts = np.log2(np.arange(len(ideal_rel)) + 2)
idcg = np.sum(ideal_gains / ideal_discounts)
if idcg == 0.0:
return 0.0
return float(dcg / idcg)
🧪 本地测试与正确性断言
可直接复制到本地 Python / Jupyter 验证:
import numpy as np
# 完美排序
assert compute_ndcg_at_k([3, 2, 1, 0], k=3) == 1.0
# 最差逆序
ndcg_bad = compute_ndcg_at_k([0, 1, 2, 3], k=4)
assert 0.0 < ndcg_bad < 1.0
print("✓ NDCG@K 排名增益评估自测通过")🎯 核心工程追问与标准应答
Q1:MRR(Mean Reciprocal Rank)与 NDCG@K 在业务场景评估上有何差异?
MRR 只关心“首个相关结果”出现的位次倒数 ,非常适合单答案检索任务(如事实问答、导航型搜索);而 NDCG 能够精细评估整个 Top-K 列表中多个不同强弱相关文档的连续排列质量,适合信息发现型推荐与多相关网页搜索。
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!