NDCG (Normalized Discounted Cumulative Gain)

Normalized Discounted Cumulative Gain (NDCG) ist eine Metrik zur Bewertung der Qualität von Rankingsystemen, die sowohl die Relevanz der gerankten Elemente als auch ihre Position im Ranking berücksichtigt. Der 'Cumulative Gain' summiert die Relevanzwerte der Elemente im Ranking. Der 'Discounted Cumulative Gain' (DCG) fügt eine Positionsgewichtung hinzu, bei der relevantere Elemente auf höheren Positionen stärker belohnt werden, während die Relevanz auf tieferen Positionen abgewertet wird. Die 'Normalisierung' erfolgt durch Division des DCG durch den idealen DCG (IDCG), der durch ein perfektes Ranking erreicht würde, um Werte zwischen 0 und 1 zu erhalten. So ermöglicht NDCG den Vergleich von Rankings unterschiedlicher Länge oder Relevanzverteilung.

Für Unternehmen ist NDCG essenziell zur Optimierung von Suchergebnissen, Empfehlungssystemen und der personalisierten Content-Auslieferung. Es ermöglicht die präzise Messung, wie gut KI-gestützte Systeme Nutzern die relevantesten Inhalte auf den prominentesten Positionen präsentieren. Eine Verbesserung des NDCG-Wertes bedeutet eine direktere Zufriedenheit der Nutzer und eine höhere Effizienz in der Informationsfindung, was sich positiv auf Engagement, Conversions und Kundenbindung auswirkt.

Ein E-Commerce-Unternehmen implementiert ein neues Produktempfehlungssystem. Um dessen Leistung zu bewerten, wird NDCG verwendet. Wenn ein Nutzer nach 'Lederstiefel' sucht, bewertet NDCG, wie gut die angezeigten Stiefel zur Suchanfrage passen und wie hoch im Ranking die relevantesten Modelle platziert sind. Ein hoher NDCG-Wert zeigt an, dass das System relevante Produkte vorne anzeigt.

NDCG wurde 2002 von Järvelin & Kekäläinen eingeführt und löste binäre Relevanz ab. Heute Standard in IR-Benchmarks wie TREC und BEIR.

• Original NDCG PaperPaper
• Scikit-learn: NDCG ScoreDokumentation
• BEIR BenchmarkDokumentation