首先RankNet:
是pairwise排序学习算法,利用神经网络进行计算得到文档分数,从而得到文档i在文档j之前的概率,即为文档ij之间的关系(pair),进而得到损失函数,对其进行优化
其次LambdaRank:
是listwise排序学习算法,是在RankNet基础上进行的优化,由于最基本的pairwise误差计算方式并不能很好地模拟用户对搜索引擎的期望,故考虑到排名靠前的影响越大,从而引入NDCG和ERR,解决RankNet在计算误差时的缺点,优化为LambdaRank
(Lambda可看作是损失函数的梯度,方向是文档d在列表中的移动方向,大小是文档d移动的距离,Lambda可直接对NDCG进行优化)
最后LambdaMart:Mart用于提升Lambda(梯度)
Mart是多重加法回归树的简称,又可以称作梯度提升树(Gradient Boosting Decison Tree, GBDT)该算法训练出的模型是一系列回归树模型的线性组合。回归树模型能够对已知数据进行分类,并在每一个叶子节点对应该分类的输出值。
MART是一种集成学习算法,不同于经典的集成学