參考：http://en.wikipedia.org/wiki/Discounted_cumulative_gain
Normalized Discounted Cumulative Gain：一種對搜索引擎或相關程序有效性的度量。
2個假設：
1.強相關的文檔出現在結果列表越靠前（rank越高）越有用。
2.強相關文檔比弱相關文檔有用，比不相關文檔有用。
DCG來源於一個更早的、更基礎的方法---CG。
CG不考慮結果集中的序信息，單純把分級相關度相加。位置P處的CG值是：
是搜索結果列表的位置i處結果的分級相關度。
改變搜索結果的位置順序不會影響p的CG值。也就是說：移動一個相關性高的文檔
到一個評級較高但相關性不大的文檔上面不改變CG的值。
DCG取代CG作為一個更准確的測量方法。
如果一個強相關的文檔排名靠后則應該受到懲罰，位置P處的DCG值是：
另一個DCG計算公式更加強調相關性
若分級相關度只在0和1取二值的話，二公式效果相同
nDCG
根據Query的不同，結果列表的長度也不同，所以這一度量考慮了正規化問題
IDCGp（Ideal DCG）是在一個完美的排序下，p所具有的最大DCG值
這樣一來無論Query是什么，nDCG都可以得到一個平均值，因此不同的Query之間的效能就可以做比較了。
完美的排序算法會使DCGp和IDCGp相同，從而使nDCGp為1，nDCG的取值在0到1之間
例：
結果列表中的6篇文檔D1,D2,D3,D4,D5,D6，判定了他們的相關度是3,2,3,0,1,2，則：
一個理想的排序應該是：3，3，2，2，1，0，所以
nDCG的缺點是：當排序的數很少（比如：只有1-3個），那么任何排序的nDCG值都比較接近，所以可以考慮使用AUC（area under the ROC curve）。
AUC學習參考文章：http://blog.csdn.net/chjjunking/article/details/5933105