learning to rank 评价指标 MAP NDCG
MAP（Mean average precision）：评价一个rank方法性能的一个指标，现在有很多query，首先看rank方法对各个query来说性能分别是怎么样的（也就是AP），再平均起来，就是MAP。AP怎么算那？举个例子，现有一个query，与之相关的文档有4——D1,D2,D3,D4，用rank方法检索后，D2,D3,D4的排序分别是1，3，5；D1没有搜索到。那么AP = （0 + 1/1 + 2/3 + 3/5）/ 4。发现了么，第一，相关的却没检索到，AP贡献为0；分母里1，3，5就是rank后的结果。都相加后再average，也就是除以4。
这个方法有个问题，没有考虑到D1——D4他们之间的排序，只是看relevant，或者not。
NDCG（Normalized Discounted Cumulative Gain）：例子：有D1,D2,D3,D4四个文档，还有一个query。在MAP中，四个文档和query要么相关，要么不相关，也就是相关度非0即1。这里改进了下，相关度从0到r，r人为设定，这里取3。对这个query，四个文档的相关性分别为2,3,1,0，理想状况下排序应该为D2,D1,D3,D4（3，2，1，0），咱自己rank方法给出的排序为D1,D2,D4,D3（2，3，0，1）。这样DCG值为：rel1/log2(1+1) + rel2/log2(2+1) + rel3/log2(3+1) / rel4/log2(4+1) = 2/log2(2) + 3/log2(3) + 0/log2(4) + 1/log2(5)。log2这项是权重，因为越往后，用户越没有心思看，文档的价值也越小；如果你把相关度大的反而排在了后面，那就比较惨了。
最后计算NDCG = 理想排序时的DCG值 / rank算法得到的DCG = 【3/log2(2) + 2/log2(3) + 1/log2(4) + 0/log2(5)】 / 【2/log2(2) + 3/log2(3) + 0/log2(4) + 1/log2(5)】
NDCG MAP这样的评价指标通常是非平滑（连续）的。