Learning to Rank总结

1，问题陈述

        论文《Deep Matrix Factorization Models for Recommender Systems》构建模型损失函数的时候用到了point-wise，pair-wise相关知识，不太明白这两个模型是啥，经查阅大量资料，终于搞明白了。以下给出相关总结

2，Learning to Rank简介

        利用机器学习来对搜索结果进行排序，是最近几年非常热门的研究领域。信息检索领域已经发展了几十年，为何将机器学习技术和信息检索技术相互结合出现较晚？主要原因如下：

        传统的排序方法是通过构造一个排序函数实现，在信息检索领域一般按照相关度进行排序。比较典型的是搜索引擎中一条查询query（简记为q），将返回一个相关的文档document（简记为d），然后根据（q,d）之间的相关度进行排序，再返回给用户。而随着影响相关度的因素变多，使用传统排序方法变得越来越困难，人们就想到通过机器学习来解决这一问题，这就产生了LRT

        Learning to Rank将机器学习的技术很好的应用到了排序中，并提出了一些新的理论和算法，不仅有效地解决了排序的问题，其中一些算法的思想也非常新颖。Learning to Rank可以被广泛的应用在信息检索、协同过滤（推荐系统中很重要的模型）等领域。

3，总结

话不多说，直接上总结链接

• Learning to Rank总结1
  
• Learning to Rank总结2