Learning To Rank 学习

pairwise 的排序算法用于推荐系统的排序任务中为什么效果差于pointwise的ctr？

Ranking 模型可以粗略分为基于相关度和基于重要性进行排序的两大类。
早期基于相关度的模型，通常利用 query 和 doc 之间的词共现特性（如布尔模型）、VSM（如 TFIDF、LSI 等）、概率排序思想（BM25、LMIR 等）等方式。
基于重要性的模型，利用的是 doc 本身的重要性，如 PageRank、TrustRank 等。
这里我们关注基于相关度的 ranking。

评价指标

IR的评价指标-MAP,NDCG和MRR

MAP(Mean Average Precision)

单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。
例如：假设有两个主题，主题1有4个相关网页，主题2有5个相关网页。

某系统对于主题1检索出4个相关网页，其rank分别为1, 2, 4, 7；对于主题1，平均准确率为(1/1+2/2+3/4+4/7)/4=0.83。

对于主题2检索出3个相关网页，其rank分别为1,3,5。对于主题2，平均准确率为(1/1+2/3+3/5+0+0)/5=0.45。则MAP= (0.83+0.45)/2=0.64。

学习排序 Learning to Rank：从 pointwise 和 pairwise 到 listwise，经典模型与优缺点

LTR （learning to Rank） 在互联网中目前发展如何？

• ranking 追求的是排序结果，并不要求精确打分，只要有相对打分即可。
• pointwise 类方法并没有考虑同一个 query 对应的 docs 间的内部依赖性。一方面，导致输入空间内的样本不是 IID 的，违反了 ML 的基本假设，另一方面，没有充分利用这种样本间的结构性。其次&