Eine positionssensitiven Retrievalmetrik, die die graduierten Relevanzgewinne über Ergebnispositionen aufsummiert und dabei mit einem logarithmischen Diskontfaktor (üblich 1 / log2(Rang+1)) gewichtet, wodurch der DCG (Discounted Cumulative Gain) entsteht; DCG wird dann durch den idealen DCG (IDCG) für die Anfrage normalisiert, sodass nDCG im Intervall [0,1] liegt. Unterstützt mehrstufige (gradierte) Relevanzurteile.

Prinzip

nDCG balanciert graduierten Relevanzwert und Rangabschlag: höher bewertete Dokumente liefern größeren Gewinn, ihre Beiträge werden jedoch durch eine monotone Abschwächung reduziert, die abnehmende Nutzeraufmerksamkeit mit der Tiefe modelliert; die Normierung erlaubt Vergleichbarkeit zwischen Anfragen mit unterschiedlicher idealer Gewinnverteilung.

Demonstration

Illustratives Beispiel → Relevanzgrade der Top‑3: 3, 2, 1. DCG = 3 + 2 / log2(3) + 1 / log2(4) ≈ 3 + 1,262 + 0,5 = 4,762. IDCG (bestmögliche Reihenfolge) ist hier gleich, also nDCG ≈ 1,0. Bei anderer Reihenfolge (z. B. 2,3,1) wäre DCG niedriger und nDCG < 1.

Fehlanwendung

DCG ohne Normalisierung über Anfragen mit unterschiedlichen Anzahl‑/Verteilungen relevanter Dokumente zu verwenden, oder nDCG anzuwenden ohne die Gewinnabbildung an die Nutzer‑Utility anzupassen (z. B. binäre Relevanz unangemessen als graduiert zu behandeln), ist falsch. Ebenso ist die Annahme, Log‑Diskont sei immer korrekt, eine Modellannahme, die geprüft werden muss.

Konsequenz

nDCG fördert, dass Systeme hoch gradierte Relevanzdokumente früh platzieren und spiegelt damit unterschiedliche Nutzerwerte wider; die Normalisierung macht Vergleiche über heterogene Anfragen fairer.

Umkehrung

Sind Relevanzurteile binär und steht nur der erste relevante Treffer im Fokus, kann MRR geeigneter sein; widerspricht die angenommene Abschwächung der tatsächlichen Nutzerinteraktion, so kann die gewählte Diskontfunktion die Effektivität falsch abbilden.

Abgrenzung

Eindeutig innerhalb: Bewertungen mit graduierten Relevanzurteilen und variabler Anzahl/Qualität relevanter Items, bei denen Position und Grad zählen. Randfall: sehr kurze Cutoffs, wo die Normierung von nicht bewerteten Elementen abhängt. Eindeutig außerhalb: Aufgaben, bei denen nur das Vorhandensein eines relevanten Items zählt oder Diversität im Vordergrund steht.

Semantische Spannung

Graduiertheit der Relevanz ↔ Binäre Metriken — nDCG verhandelt zwischen Relevanzstärke und Position, was mit binären Metriken oder Single‑Answer‑Prioritäten kollidieren kann.

Synthese

nDCG ist die gebräuchliche Bewertung für geordnete Listen bei graduierten Relevanzen: sie macht Wert und Abnahme der Aufmerksamkeit explizit und ermöglicht durch Normalisierung vergleichbare Bewertungen über unterschiedliche Anfragen.