Learning2Rank-lambda loss解读(3)

上一篇文章中，介绍Lambda Loss Framework的理论依据，下面开始讲lambda Loss的具体使用方式。
参考论文为《The LambdaLoss Framework for Ranking Metric Optimization》

Lambda Loss 在ARP和NDCG的使用

对于排序问题，传统监控指标关注的是资料的顺序，也就是label；而损失函数关注的确实资料的得分。通过LambdaLoss Framework可以将二者结合起来。首先，我们可以注意到对于label-link的损失函数和score-link的损失函数有如下的关系。
$$I_{s_i<s_j}<lo{g}_2(1+e^{(}-\sigma (s_i-s_j)))$$
其次，基于之前提到的损失可以用似然函数和分布函数表征。对于分布函数，可以用已知的分布来表征，并且用排好序的资料表征${\pi }_s$。

1. Average Relevance Position ～ 可过渡为RankNet
   $$ARP=\sum _{i=1}^n{y}_{i}i$$
   这里i指序列中的位置i，y指数据在i位置相关性得分。i的位置，由排在它之前资料的数据决定
   $$i=\sum _{j=1}^n{I}_{s_i<s_j}+1$$
   $$\begin{gathered} ARP=\sum _{i=1}^{n}yi(\sum _{j=1}^n{I}_{s_i<s_j+1}) \\ =\sum _{i=1}^n\sum _{j=1}^n{y}_i{I}_{s_i<s_j}+c_1 \\ \le \sum _{i=1}^n\sum _{j=1}^n{y}_{i}lo{g}_2(1+e^{(}-\sigma (i_i-s_j)+c_1) \end{gathered}$$
   $$\begin{gathered} l(y,s)=lo{g}_2\sum _{i=1}^n\sum _{j=1}^n{y}_{i}lo{g}_2(1+e^{(}-\sigma (i_i-s_j)+c_1)H(\pi |s) \\ =-\sum _{i=1}^n\sum _{j=1}^{n}lo{g}_2\sum _{\Pi } \end{gathered}$$