Eine aggregierte Leistungskennzahl für Retrieval, berechnet als arithmetisches Mittel über Anfragen der Average Precision (AP) jeder Anfrage. AP ist das Mittel der Präzisionswerte an den Rängen, an denen relevante Dokumente erscheinen, und approximiert damit die Fläche unter der Präzision‑Recall‑Kurve für diese Anfrage bei binären Relevanzurteilen.

Prinzip

MAP belohnt Systeme, die viele relevante Dokumente finden und früh platzieren: Die AP steigt, wenn relevante Dokumente an höheren (besseren) Rängen erscheinen, weil Präzision an jedem relevanten Dokumentenrang berechnet wird.

Demonstration

Illustratives Beispiel → Für eine Anfrage relevante Dokumente an Rängen 2 und 5. Präzision bei Rang 2 = 1 relevantes in Top‑2 → 1/2 = 0,5. Präzision bei Rang 5 = 2 relevante in Top‑5 → 2/5 = 0,4. AP = (0,5 + 0,4) / 2 = 0,45. MAP ist das Mittel aller APs über die Testanfragen.

Fehlanwendung

MAP auf graduelle Relevanz anzuwenden, als wäre Relevanz binär, oder MAP aus unvollständigen/inkonsistenten Relevanzpools zu interpretieren, ohne Pooling‑Bias zu berücksichtigen, ist falsch. Ebenfalls ungeeignet ist MAP, wenn nur der erste korrekte Treffer relevant ist (dann MRR).

Konsequenz

Optimierung auf MAP fördert das Auffinden und frühe Platzieren vieler relevanter Dokumente und verbessert das Präzisions‑/Recall‑Verhältnis, kann aber Systeme dazu verleiten, viele relevante Items zu liefern ohne Benutzerintentionen wie Diversität oder einen einzigen besten Treffer zu berücksichtigen.

Umkehrung

Bei gradueller Relevanz oder wenn nur eine einzige beste Antwort zählt, kann MAP die Systemnützlichkeit falsch abbilden; in solchen Fällen sind nDCG (für graduelle Relevanz) oder MRR (für First‑Hit‑Fokus) geeigneter.

Abgrenzung

Eindeutig innerhalb: binäre Relevanz‑Evaluierungen, in denen mehrere relevante Dokumente pro Anfrage zählen und die vollständige Rangfolge wichtig ist. Randfall: partielle Relevanzurteile oder sehr flache Cutoffs, bei denen AP‑Schätzungen instabil werden. Eindeutig außerhalb: Aufgaben mit gradueller Relevanz, Diversitätszielen oder Single‑Answer‑Absicht.

Semantische Spannung

Präzision ↔ Recall — MAP operationalisiert ein Gleichgewicht, indem sie Präzision an relevanten Rängen mittelt und damit die Spannung zwischen vielen relevanten Treffern (Recall) und hoher Präzision vorne abbildet.

Synthese

MAP fasst die Rangleistungsfähigkeit zusammen, indem es Präzision an allen relevanten Positionen integriert; geeignet, wenn frühe Auffindung mehrerer relevanter Dokumente unter binären Urteilen gewünscht ist.