Discounted Cumulative Gain (DCG)

Discounted Cumulative Gain (DCG) 是信息检索领域衡量排序算法有效性的核心指标，旨在量化搜索结果列表的整体质量。其核心逻辑在于：不仅关注结果的相关性（Gain），更强调位置的重要性（Discount）。该指标假设用户倾向于点击列表顶部的结果，因此将相关性得分乘以位置衰减因子（通常为 log(1+rank) 的倒数），对高排名结果赋予更高权重，对低排名结果赋予较低权重。DCG 通过对所有结果进行加权求和，生成一个反映列表综合表现的分值，常结合归一化处理（NDCG）以消除查询文档数量差异的影响，成为搜索引擎优化（SEO）和推荐系统评估的基准。

在现代计算架构与后端服务中，DCG 扮演着连接‘排序算法’与‘用户体验’的关键角色。它超越了简单的准确率（Precision）或召回率（Recall），直接量化了‘排在前面的结果是否真的有用’这一核心诉求。在搜索引擎、电商推荐、广告竞价及知识图谱等场景中，DCG 是验证排序策略（如基于内容的排序、混合排序、深度学习排序）是否真正提升用户点击率和满意度的黄金标准。其生态地位体现在它是评估排序模型收敛性、对比不同召回策略（如 BM25 与向量检索）优劣的通用标尺，也是构建 A/B 测试实验设计的基础。然而，DCG 的计算对结果列表长度敏感，且对长尾结果的惩罚机制需配合合理的衰减曲线使用，因此在大规模实时系统中，常需结合近似算法或采样策略以平衡精度与性能。