nDCG

nDCG (Normalized Discounted Cumulative Gain) ist eine Metrik der Retrieval-Evaluation, die abgestufte Relevanz und Position der Treffer zugleich bewertet. nDCG normiert das Ergebnis auf die ideale Rangfolge und liefert einen Wert zwischen 0 und 1.

Funktionsweise und Einordnung

Jeder Treffer bringt einen Gain, meist seinen Relevanzgrad, zum Beispiel 0 bis 3. Dieser Gain wird durch den Logarithmus zur Basis 2 von Rang plus 1 geteilt. Die Summe bis Rang k ist der Discounted Cumulative Gain (DCG). Teilt man ihn durch den DCG der idealen Reihenfolge (IDCG), entsteht nDCG.

Anders als Precision und Recall unterscheidet nDCG zwischen teilweise und hoch relevanten Dokumenten. Die Normierung macht Anfragen mit vielen und wenigen relevanten Dokumenten vergleichbar. nDCG@10 ist die Leitmetrik der Retrieval-Benchmarks BEIR und MTEB.

Die Rechnung Schritt für Schritt zeigt der Beitrag Retrieval-Evaluation: Wie Suchsysteme die Qualität ihrer Ergebnisse messen.

Strategische Bedeutung für SEO, GEO und AI-Search

nDCG misst, ob die besten Quellen ganz oben stehen, und genau dort greift ein AI-Search-System zu. Das Generative Authority Model (GAM) von Ralf Dodler beschreibt diese Abrufbarkeit als Retrieval Activation.

nDCG belohnt hoch relevante Passagen auf den vorderen Rängen stärker als teilweise relevante. Eine vollständige, direkte Antwort schlägt einen Abschnitt, der das Thema nur anreißt.
Re-Ranker werden auf nDCG optimiert. Sie ordnen Passagen danach, wie gut sie eine Anfrage beantworten, nicht danach, wie oft sie Begriffe wiederholen.
Embedding-Modelle werden über nDCG@10 verglichen. Ein hoher Benchmarkwert sagt aber wenig darüber, wie ein Modell Fachinhalte einer bestimmten Domäne einordnet.

Beispiel

Die ersten fünf Treffer haben die Relevanzgrade 0, 3, 1, 0 und 2. Der DCG@5 beträgt 3,166. Die ideale Reihenfolge 3, 2, 2, 1, 1 erreicht einen IDCG@5 von 6,079. Der nDCG@5 ergibt sich als 3,166 geteilt durch 6,079, also 0,521.

Häufige Fragen zu nDCG

Warum teilt nDCG durch den Logarithmus des Rangs?

Der Logarithmus senkt den Wert eines Treffers mit jedem Rang, aber immer langsamer. Rang 1 behält den vollen Gain, Rang 3 die Hälfte, Rang 7 ein Drittel. So bilden die Abzüge ab, dass Nutzer obere Treffer deutlich häufiger ansehen als untere.

Was ist ein guter nDCG-Wert?

Ein guter nDCG-Wert ist nur im Vergleich mit einem anderen System auf derselben Testkollektion bestimmbar. Der Wert hängt von Anfragen, Relevanzskala und Cut-off ab. Werte aus verschiedenen Testkollektionen sind deshalb nicht vergleichbar.

Funktioniert nDCG auch mit binärer Relevanz?

nDCG funktioniert auch mit binären Relevanzurteilen, dann ist der Gain 0 oder 1. Die Metrik bewertet in diesem Fall nur die Position relevanter Treffer. Ihren Vorteil gegenüber Average Precision spielt sie erst mit abgestuften Urteilen aus.