learning to rank学习笔记

learning to rank是这几年火起来的一个学科，可以应用于检索、推荐等排序场景中。我们的业务场景大都和排序相关，那么掌握住learning to rank就又多了一条解决业务问题的方法。

常见的排序算法：

1.文本相关性计算方法：BM25，TF_IDF，word2vec等。

2.图像相似度计算方法：平均哈希（aHash），感知哈希（pHash），差异值哈希。

3.图文相关性使用gru和cnn分别抽取特征计算相关性。

排序问题在某种程度上可以认为是打分问题，打分越高越排在前面

调研了一下，现在Ranklib库是市面上最好的库，实现了几种算法，相关的资料可以看下面的链接：

https://download.csdn.net/download/love_data_scientist/10694090

 

比较好的资料列举如下：

ranknet的优质博客:https://blog.csdn.net/qq_15111861/article/details/81149134