评测数据版本与反查

先从一次真实检索开始

我们不先背名词。想象用户提交了一个查询，系统必须在有限延迟内，从明确语料中找出真正能完成任务的文档，并解释为什么这样排序。本节处理 评测数据版本与反查。先把用户任务、查询、文档单元、时间窗口和允许动作写清，避免把字符串匹配误当成相关性。

本节专属对象

每个指标应反查查询集、语料、标注、运行、代码和参数版本。。请逐个指出对象属于查询侧、文档侧、语料统计、排序状态还是评价证据；同一个数字如果换了分母或语料版本，含义就会改变。任何实现都必须保存规则和版本，不能只留下最终排名。

公式从哪里来

在“评测数据版本与反查”中，核心关系是：result=F(qset,corpus,qrels,run,evaluator)。。先解释每一项的输入、单位、取值范围和成立条件，再沿等号逐步计算。若分母为零、posting无序、标注缺失、权限变化或离线/线上版本不一致，应明确失败，而不是输出一个看似正常的分数。

老师带着算完例题

同run换qrels版本后NDCG变化，不应归因排序代码。。这个例子已经给出输入、中间计算和结论。现在只改变一个量，先预测排名或指标会向哪个方向变化，再复算；如果方向相反，就回到定义、对数底、归一化、位置编号和语料口径逐项排查。

把推导拆成可以检查的行

请把“result=F(qset,corpus,qrels,run,evaluator)。”抄成不少于三行的计算链：第一行列原始输入和语料统计，第二行计算局部量或中间集合，第三行才得到分数、指标或候选。每一行右侧写出它依赖的前提。然后用“同run换qrels版本后NDCG变化，不应归因排序代码。”中的数值逐项代入，而不是直接写最终答案。检索题最常见的失误不是算术，而是把df与cf、字符与token、排名从0还是1开始、宏平均与加权平均、余弦与点积、候选召回与相关性召回混在一起。

完成“评测数据版本与反查”的正向计算后要做两次反查。第一次从结果返回输入：得分若增大，究竟是哪一个term贡献、字段boost、位置gain、概率或候选发生变化？第二次从原始文本返回结果：分词、规范化、权限、索引版本和查询解析中任一步改变，结论是否仍成立？本节还要用“只存汇总CSV；测试集更新却沿用旧基线数。”检验反查链；只有能双向追到具体输入，公式才真正接到了系统上。

落到可执行算法

保存TREC式run/qrels、hash、命令和逐查询输出，禁止覆盖旧版本。。实现要输出关键中间证据，例如term、doc id、tf、df、位置、候选集合、逐项得分、相关等级或延迟阶段。只输出top-k而没有中间量，会让错误无法定位，也无法证明库函数配置正确。

复杂度与系统边界

同时写出时间、空间和I/O主要由哪个量控制：语料文档数、词表、posting长度、候选数、向量维度、分片数或top-k。算法在小语料正确，不等于在长posting、尾部查询、多租户和索引更新时仍满足延迟与一致性。

把本节实现放进完整链路再看一次：原始文档经过处理和索引，查询经过理解与召回，候选再经过过滤、排序与评价。“每个指标应反查查询集、语料、标注、运行、代码和参数版本。”位于其中哪一段，它消费谁的输出，又为谁提供输入？如果它改变了候选集合，就必须同时检查recall；如果只改变次序，要做query级排名比较；如果改变权限或语料边界，旧的离线指标不能直接沿用。

“评测数据版本与反查”的实验报告至少保留语料hash、查询、索引/模型版本、参数、逐项中间量、最终top-k和运行时间。手算“同run换qrels版本后NDCG变化，不应归因排序代码。”证明实现语义，规模实验说明成本，再以“只存汇总CSV；测试集更新却沿用旧基线数。”注入失败并说明边界；三类证据不能互相替代。库函数可以用于生产，但必须用本节专属算例确认配置确实实现了“result=F(qset,corpus,qrels,run,evaluator)。”。

最短失败反例

本节反例是：只存汇总CSV；测试集更新却沿用旧基线数。。请指出它破坏了哪一个前提，构造最小输入让错误显现，再给可执行修正和回归测试。不能只写“注意异常”，必须说明错误结果会漏召回、错排序、泄漏权限、夸大指标还是增加尾延迟。

在线练习与代码证据

本节绑定单选、多选、计算和严格文本推导；章节另有真实Python实验，每题至少四组测试。文本题按对象2分、公式与中间步骤3分、算完例题3分、失败边界与修正2分公开评分。

闭卷自检

合上正文后重建五项：对象“每个指标应反查查询集、语料、标注、运行、代码和参数版本。”；核心式“result=F(qset,corpus,qrels,run,evaluator)。”；算完的例题“同run换qrels版本后NDCG变化，不应归因排序代码。”；执行步骤；反例“只存汇总CSV；测试集更新却沿用旧基线数。”。五项缺一项，就还没有学会《评测数据版本与反查》。