一、前言

在評價資訊檢索時，人們在意的指標有很多面相，在過去比較重要的像是搜尋的數量跟速度，但隨著科技的進步，現在更趨向於不同面相精準，這也是本章節的重點。不過值得一提的是使用者介面(UI)、使用者體驗(UX)也是在這個領域當中有人持續關注及研究的議題，例如google使用的top-10 result method一個頁面中只回傳前十筆相關資料，又或者是Searchme Visual Search提供一個創新的搜尋結果可預覽的呈現方式，然而這些資訊實在太難以被量化研究，因此，本章將主要聚焦在精準度的呈現。

二、假設與前提

(一)、測試資料集的建立

我們要評價一個檢索系統的精準度，我們需要以下三項測驗資源:

1. 準備被搜尋的文章們(A benchmark document collection)

2. 一系列的測驗問題(A benchmark suite of queries)

3. 對應每個搜尋問題中相關的文章(An assessment of the relevance of each querydocument pair)

其中前面兩者個蒐集都相對容易，不過第三者的蒐集則相當耗費人力，因為必須針對每個問題(以下稱Query)去標籤出那些文章(以下稱Document)是相關的，聽說當年微軟為了追上顧狗，即在印度聘了無數人每季要標籤出無數Queries中相關的無數Documents，然後拿去搜尋引擎做測試，另外，後來一些國家及大型組織也逐漸意識到這個query跟相關Document的測試集合的重要，因此著手蒐集測試資料集，詳細資料可以見Interdoction to Information Retrieval 第8.2節，裡面概述了各個資料集。但如何建立資料集並不是這一章的重點，因此以下假設我們已經得到含有上述三者資訊的資料集，並往下進行討論。

(二)、使用者搜尋的Query與其真實資訊需求的落差

在此我們還有一個議題需要被討論，那就是使用者搜尋的Query以及使用者真實的資訊需求，舉例來說有一個搜尋Query是這樣寫的：red wine white wine heart attack(紅酒 白酒 心臟病)，我們可能會自動翻譯成：喝紅酒或白酒比較容易發生心臟病?，但搜尋文章的結果可能為：At heart of his speech was an attack on the wine industry lobby for downplaying the role of red and white wine in drunk driving(他講話的核心是對於淡化紅酒及白酒在酒醉駕駛中的腳色的攻擊)。

然而這樣的問題，掌握在使用者身上，很難用科學的方式去處理，當然現在可能漸漸有辦法透過數據解決，不過上述幾個比較有名的資料集中所提供的Query大都避開了這樣的問題，透過詳述問題的方式呈現Query，因此本章也暫時當作Query以及資訊需求是相等的。

三、最基礎的評價工具: Precision 以及 Recall

(一)、前提說明:

以下介紹兩個這個領域當中最基礎的評價指標，分別為precision以及recall，需特別注意的是這兩個指標在應用時，要求的相關文章標記僅為二元的，也就是說，如果該文章相關rel=1，如果該文章不相關rel=0

(二)、指標簡介

1.Precision: 在所有檢索出的結果中有多少相關的文章

$$Precision={|Relevant \cap Retrieved| \over |Retrieved|}\quad \quad(式2.1)$$

2.Recall: 在所有相關的文章中，有幾篇被檢索出來

$$Recall={|Relevant \cap Retrieved| \over |Relevant|}\quad \quad(式2.2)$$

其中Relevant代表所有相關文章集合，Retrieved代表被系統檢索出來的文章的集合，而$\cap$則代表聯集，絕對值||在集合中則是取總數的意思，所以$|Relevant \cap Retrieved|$代表被系統檢索出來的文章中同時是跟Query相關的。

(三)、Retrieved 與 Relevant 之間的關係

為了更清楚的理解，我們也可以用這種方式來看待Precision以及Recall。如果我們把所有的文章分成以下四類:True Positive(TP)、False Postive(FP)、True Negative(TN)、False Negative(FN)，其中Positive以及Negative指得是系統的判斷，而True與False則是人為判斷是否相關，從下面這張表可以更清楚的理解其中意思。

如果把這個邏輯套用到Precision以及Recall上，則兩個指標的計算公式則可以改寫如下:

$$Precision={|Relevant \cap Retrieved| \over |Retrieved|}={|TP| \over |TP|+|FP|}\quad \quad(式2.3)$$

$$ Recall={|Relevant \cap Retrieved| \over |Relevant|}={|TP| \over |TP|+|TN|}\quad \quad(式2.4)$$

(四)、最直觀的指標在IR領域的適用障礙

那麼，你可能會問，為何我們不直接計算: 所有文章當中，準確被檢索以及準確被拒絕的文章(式2.5)，如此一來將能夠用一個最直觀指標來衡量檢索系統。

$$最直觀的指標= {|TP|+|TF| \over |TP|+|TN|+|FP|+|FN|} \quad \quad(式2.5)$$

然而你也可以想像的到，在資訊檢索領域中，要從海量資料當中找出使用者需要的前十份，拒絕的文章數必定非常可觀，也就是說，|TN|(準確被拒絕者)將非常非常大，一但在分子與分母兩者都加上|TN|，這個指標將會非常接近1，也就難以衡量系統的優劣了。

因此，在資訊檢索領域中，並不會用這樣的方式來衡量檢索統的好壞。(聽說機器學習會，但這個領域我就還沒接觸到了)

(五)、Precision 以及 Recall 之間的關係及其問題

首先釐清這兩個指標之間的互斥關係關係，一般來說，如果檢索系統做得有點基本的品質的話，前面幾篇檢索出來的文章，相關的機率通常都會比較高，也就是說Precision會隨著檢索出的文章越多而下降。

相反的，隨著檢索出的文章越多，相關的文章數也會越接近相關文章的總數($|Relevant \cap Retrieved|$會越來越接近$|Relevant|$)，如此一來，一旦某系統的設計將所有文章都檢索出，則必定可以打早一個Recall = 100%的檢索系統。

要更清楚的理解兩者之間的關係，我們必須透過下圖來理解:

我們先忽略紅線，本文後段會再行解釋，此處先觀察其趨勢即可。由於Recall在所有文章檢索出時，必定等於100%，因此使用Recall的值從0到1作X軸，Y軸則放置Precision，如上所述，Precision會隨著檢索出文章變多而下降，在這張圖就可以看到明顯的體現。

四、Recall 以及 Precision 的組合指標: $F;measure$

(一)、算術平均數

$$F={P+R \over 2}\quad where \quad P=Precision,; R=Recall \quad \quad(式2.6)$$

很明顯的，這個指標存在與上述一樣的問題。只要把Recall(全部檢索出)或Precision(檢索出極少)兩個指標其中之一做得很高，將保證50%的F。因此，這在資訊檢索領域中也不是一個好的指標。

(二)、幾何平均數

$$F =\cfrac{1}{\alpha {\cfrac{1}{P}} + (1 - \alpha ) {\cfrac{1}{R}}}= \cfrac{(\beta ^2 +1)PR}{\beta ^2 B +R} \quad where \quad \beta ^2 = \cfrac{1- \alpha}{\alpha}\quad \quad(式2.7$$

相對的幾何平拘束則可以改善上述問題。其中$\alpha$是常數，介在0到1之間，代表著給予P與R的權重($\alpha$越高或是$\beta<1$代表P越重要)。等號最右邊的式子，純粹方便計算，可以參考下式，並將$\alpha$帶入原式。

$$\begin{align} & \beta ^2 + 1 = \cfrac{1- \alpha}{\alpha} + 1\ & \beta ^2 + 1 = \cfrac{1- \alpha}{\alpha} + \cfrac{\alpha}{\alpha}\ & \beta ^2 + 1 = \cfrac{1}{\alpha}\ & \alpha = \cfrac{1}{\beta ^2 + 1} \end{align}$$

而在此$F$的計算之中，把$P$與$R$的相加關係，改成相乘關係，因此，一旦有其中之一非常低，將會受到非常嚴格的懲罰，$F$值就會趨近於零，因此可以改善前述問題。

不果如果各位想要更了結Recall及Precision代表的實際意涵，可以思考一下，面對道甚麼類型的使用者，應改給予Recall比較高的權重，而又在甚麼樣的情況底下，應該比較在意Precision。

(三)、$F_\beta$(或稱$F_1$)

$F_\beta$表示幾何平均數$F$的一個特殊狀況，也就是我當我們給予P以及R相同的權重的時候($\alpha = 0.5,; \beta ^2 =1$):

$$F = F_\beta = \cfrac{1}{0.5 {\cfrac{1}{P}} + 0.5 {\cfrac{1}{R}}} = \cfrac{PR}{0.5P+0.5R} = \cfrac{2PR}{P+R}$$

五、Mean Average Precision(MAP)

(一)、Average Precision(AP)

在理解MAP之前，我們先從Average Precision的觀念下手，比較容易理解。

$$AP = \frac{1}{|R|} \sum_{k=1}^{|R|} \text{Precision}(R_k)$$

其中|R|代表相關的文章總數。在一個Query中，系統將從第一份資料開始抽取，假設系統設定會持續抽到最後一份，而隨著抽取的量越大，則會逐步檢索出每一份相關的文章$R_k$，而每當檢索出一份相關文章時，Recall也會跟著改變，此時我們重新計算Recall及其對應的Precision。因此，我們大約可以描繪出下圖藍線的部分(與前面是同一張圖):

但還有一個棘手的問題要解決，就是藍線的雜訊非常多，因此作者這邊用內插法的方式找出每一個Recall下的Precision(interpolated Precision)，以去除雜訊。而所謂內插法即是將內原本每個Recall下的Precision，取成每一個Recall下未來最大的Precision(圖中紅線部分)，以下用一個例子說明:

假設有一個檢索系統，總共抽了10篇文章，且總共有4篇相關的文章，節果如下:

我們便可以計算出$AP = (1 + 0.6 + 0.6 + 0.5) / 4 = 0.675$，這個數字大家也可以將其想像為，上面圖中紅線下的面積。

(二)、Mean Average Precision(MAP)

$$MAP = \frac{1}{|Q|} \sum_{j=1}^{|Q|} \frac{1}{|R|} \sum_{k=1}^{|R|} \text{Precision}(R_{jk})$$

如果上面的AP可以理解，在理解這個式子的時候就非常簡單了，差別只是在，AP只有一個Query的Recall及Precision，但是MAP計算多個Query。其中MAP多了一個Mean的意思，就是平均計算了每一個Query項下的Recall及Precision。從圖形上來理解，假設有50個Query，可以想像成堆疊上面那張圖(不同Query畫出的)五十次，並將所有圖中的藍線下面積相加除以五十。

而比起$F;measure$，MAP是比較常被拿來使用的評價方式之一，因為這個指標考量的不是單一個Recall下的Precision，而是通盤考量每一個狀況下所作出的指標。

六、$Precision; at; k$ 以及 $R-Precision$

(一)、$Precision; at; k$

如果上面觀念都理解了，$Precision; at; k$也就非常容易理解了，其中k指的是檢索出的文章總數，其餘的也就是字面上的意思，需特別說明以下二點。

第一、之所以特別使用一個點的指標其實其來有自，指標最終是要直接反映使用者的感受，而各位在透過顧狗去檢索資訊時，可能往往翻不到兩頁，發現找不到資訊就會直接換另一個Query作檢索，因此，針對特定的前幾筆文章，用$Precision; at; k$去衡量是最符合使用者直觀感受的。

第二、然而這個指標也存在一個非常大的問題，由於大部分使用這個指標的作評價的系統，k都不會設太大，大多為10、20或是30，因此一旦相關的文章總數非常高的話，Precision也會非常高。

(二)、$R-Precision$

$R-Precision$是$Precision; at; k$的延伸應用，只是$R-Precision$把k設為相關文章的總數($|Relevant|$)。如次一來，你會發現一件有趣的事，Precision等於Recall了:

$$Recall = Precision = \frac {|Relevant \cap Retrieved|}{|Relevant|}$$

書上把Precision及Recall相等的點稱作_break-even point_，在理論上來說，幾乎沒辦法解釋我們為什麼要對_break-even point_產生興趣。但在實務上來說，儘管$R-Precision$指衡量某一Recall上的Precision，但她卻與MAP高度相關。

七、Normalized Discounted Cumulative Gain(NDCG)

再進入最後一個評價方法之前，必須提醒大家的是，到目前為止，我們對於文章相關或不相關的計量，都還停留在Binary(1或0)。接下來要介紹的最後一個評價方法NDCG，則是採納了給予不同相關程度的資料不同的層級的計量的方法。

Right Arrow Symbol (→)

NDCG其實是按照Gain(G)→Cumulative Gain(CG)→Discounted Cumulative Gain(DCG)→Normalized Discounted Cumulative Gain(NDCG)的步驟建構出來的。其中Gain與Cumulative Gain(CG)指得是，每一篇文章得到的「相關分數」，以及按照檢索出來的順序，累積得到的「相關分數」。所以:

$$CG[i] = \begin{cases} G[1], & \text{if i=1} \ CG[i-1]+G[i], & \text{otherwise} \ \end{cases}$$

Discounted Cumulative Gain(DCG)在每個Gain上除以一個log項(隨著減縮出的文章數而增加)，以使得越後面抽出來的文章，得到的Gain會得到適當的懲罰:

$$DCG[i] = \begin{cases} G[1], & \text{if i=1} \ DCG[i-1]+G[i]/log_bi, & \text{otherwise} \ \end{cases}$$

其中log的底數b可以自己設定，設定越高則懲罰越輕(課本上的例子設定為2，供大家參考)。最後Normalized Discounted Cumulative Gain(NDCG)則是指先假設一個最理想的檢索順序，也就是把「相關分數」最高的幾篇文章排在最前面，然後「相關分數」比較低的依次遞減往後排，然後算出其DCG，稱為Idealized DCG(IDCG)。

$$NDCG[i] = {DCG[i] \over IDCG[i]}$$

大家可以透過如下例子理解NDCG。

實際檢索狀況:

理想檢索狀況:

NDCG:

七、總結

本章主要討論論不同的評價方式，並逐步推論各種評價方式，從最基本的Precision以及Recall計算出的$F;measure$($F_\beta$)，到Mean Average Precision(MAP)，再到$Precision; at; k$及$R-Precision$，最後談到可以給予不同相關程度的文章不同分數的NDCG。總體而言可以這樣分類:

• Binary(相關文章=1，不相關的文章=0)

  • 單點評價

    • Fmeasur(Fβ): 包含P與R的互動

    • Precisionatk: 接近使用者實況

    • R−Precision: 實證結果非常接近MAP

  • 整個檢索結果分布: Mean Average Precision(MAP): 衡量整個分布結果

• 可以給予不同相關程度的文章不同分數: Normalized Discounted Cumulative Gain(NDCG)