学习排序(Learning to Rank)

定义

学习排序(Learning to Rank,LTR)是将机器学习应用于检索结果排序的技术:以查询-文档对的特征(如 BM25 得分、点击统计、页面质量)为输入,训练模型输出排序。

分类

按损失函数构造方式分三类:Pointwise 把排序转化为对单个文档打分的回归或分类;Pairwise 学习文档对的相对顺序,代表算法有 RankSVM、RankNet;Listwise 直接优化整个结果列表的排序指标,代表有 LambdaMART、ListNet。

应用

LTR 广泛用于网页搜索、电商商品排序、推荐系统与广告排序,通常作为多阶段检索架构中的精排层;梯度提升树实现(如 LambdaMART)长期是工业界主力,近年逐步与深度模型结合。

优缺点

优点是能融合数十至上千维特征、直接面向排序指标优化;缺点是依赖大量标注或点击数据,且点击日志存在位置偏差,需要去偏处理。