参考：http://en.wikipedia.org/wiki/Discounted_cumulative_gain
Normalized Discounted Cumulative Gain：一种对搜索引擎或相关程序有效性的度量。
2个假设：
1.强相关的文档出现在结果列表越靠前（rank越高）越有用。
2.强相关文档比弱相关文档有用，比不相关文档有用。
DCG来源于一个更早的、更基础的方法---CG。
CG不考虑结果集中的序信息，单纯把分级相关度相加。位置P处的CG值是：
是搜索结果列表的位置i处结果的分级相关度。
改变搜索结果的位置顺序不会影响p的CG值。也就是说：移动一个相关性高的文档
到一个评级较高但相关性不大的文档上面不改变CG的值。
DCG取代CG作为一个更准确的测量方法。
如果一个强相关的文档排名靠后则应该受到惩罚，位置P处的DCG值是：
另一个DCG计算公式更加强调相关性
若分级相关度只在0和1取二值的话，二公式效果相同
nDCG
根据Query的不同，结果列表的长度也不同，所以这一度量考虑了正规化问题
IDCGp（Ideal DCG）是在一个完美的排序下，p所具有的最大DCG值
这样一来无论Query是什么，nDCG都可以得到一个平均值，因此不同的Query之间的效能就可以做比较了。
完美的排序算法会使DCGp和IDCGp相同，从而使nDCGp为1，nDCG的取值在0到1之间
例：
结果列表中的6篇文档D1,D2,D3,D4,D5,D6，判定了他们的相关度是3,2,3,0,1,2，则：
一个理想的排序应该是：3，3，2，2，1，0，所以
nDCG的缺点是：当排序的数很少（比如：只有1-3个），那么任何排序的nDCG值都比较接近，所以可以考虑使用AUC（area under the ROC curve）。
AUC学习参考文章：http://blog.csdn.net/chjjunking/article/details/5933105