对于RankSVM的一点理解（没解释明白，求大佬点拨）

RankSVM的原始形式：

[1]

对比SVM的原始形式：

[2]

假设yi=1，则RankSVM与SVM的不同之处就在约束条件中的核函数部分，前者意思为hi-hj，后者为hi。我们假设h为训练模型所得的决策函数。

我一直在思考的问题是RankSVM所要最大化的距离是哪一段距离，在An efficient method for learning nonlinear ranking SVM functions这篇论文，他所给出的结论：RankSVM所要最大化的距离是最近的样本对到超平面的距离[3]。这样能使得相邻f(x)之间的间隔尽可能的远，在较大范围内能够保证两者之间的大小关系。

我是这样理解这一结论的，我们可以将fi(xi)-fi(xj)看作一个整体，也就是一个向量，这样就能代入SVM中进行理解了。通过下图更容易理解。

由于上面RankSVM的公式中的P是指yi-yj>0的样本对集，所以我们只有正的样本例。图中的x1-x2我们可以理解为fi(x1)-fi(x2),我们当他是一个新的向量。那么RankSVM可以被理解为用正样本训练出来的SVM（这样好像训练不出SVM...）。因此，把上述RankSVM的原始公式改成如下形式（完全仿照SVM的形式，其中yij表示sgn(yi-yj)，这样就会出现正样本和负样本了）：

[4]

RankSVM最大化的间隔是超平面到最近的fi(xi)-fi(xj)的距离，也就是上图中的x1-x2，以及另外两个靠近虚线的矩形。求出满足以上约束的w之后，决策函数h(x) = w*fi(x)也出来了。

参考文献：

[1] T.-M. Kuo, C.-P. Lee and C.-J. Lin. Large-scale Kernel RankSVM . SIAM International Conference on Data Mining, 2014.

[2] Nello Cristianini, John Shawe-Taylo. 支持向量机导论[M]. 电子工业出版社, 2004.

[3] Yu H ,  Kim J ,  Kim Y , et al. An efficient method for learning nonlinear ranking SVM functions[J]. Information ences, 2012, 209(none):37–48.

[4] Runarsson T P . Ordinal Regression in Evolutionary Computation[C]// 2006:1048-1057.