學習排序 是什麼？
Learning to Rank：學習排序 的完整解釋
將排序問題轉化為機器學習任務，透過訓練排序模型預測查詢-文檔對的相關性，自動優化排序順序。
核心概念
學習排序（Learning to Rank）是機器學習在排序領域的應用，核心思想是將「什麼順序最好」這一主觀問題轉化為「給定查詢和候選，預測其相關性分數」的客觀學習問題。與傳統的手工規則排序（如基於發佈時間、評分聚合）相比，LTR 能自動學習什麼特徵組合對排序最重要，適應不同查詢、不同用戶的排序需求。
LTR 的關鍵區別於分類或迴歸在於輸出空間的結構性。分類預測單個標籤，迴歸預測單個數值；排序則需預測物品的全局順序，且順序之間存在相對性：物品 A 在 B 前面優於 B 在 A 前面。這種結構化輸出空間的複雜性導致了 LTR 多種不同的學習方法。
運作原理
LTR 方法分為三大類，各有不同的學習目標和優化方式。
Pointwise 方法把排序問題簡化為逐個物品的相關性預測。給定查詢 q 和物品 d，模型預測 score(q, d)，然後按分數從高到低排序。損失函數為單個物品的相關性預測誤差（如均方誤差或交叉熵）。優點是計算簡單，可直接使用標準分類或迴歸演算法；缺點是忽視了物品間的相對順序，同一排序可有多個相同的 pointwise 分數。
Pairwise 方法著眼於物品對的相對順序。若查詢 q 下物品 d_i 應排在 d_j 前面，模型應給 d_i 更高分數。損失函數衡量相對順序的違反次數或概率（如 hinge loss 或 logistic loss）。代表演算法如 RankNet、LambdaRank、MART。Pairwise 方法更好地優化了排序指標，但計算複雜度提升到 O(n^2)（需考慮所有物品對）。
Listwise 方法直接優化排序列表，衡量整個排序相對於理想排序的質量。損失函數為排序指標的近似（如 NDCG、MAP）或列表級目標函數。代表演算法如 ListNet、LambdaMART、XGBRank。Listwise 方法最直接優化最終排序質量，但計算複雜度最高。
實際應用
LTR 在搜尋引擎中應用最成熟。Google、Bing 等搜尋引擎使用複雜的 LTR 模型排序搜尋結果，綜合數百個特徵如相關性、網頁品質、用戶點擊歷史等。Yahoo 在其搜尋排序中公開採用 LambdaRank 演算法。
在推薦系統中，LTR 用於最後一英里排序。用戶被推薦後選物品後，需排序決定推薦順序。Airbnb 使用 LTR 排序搜尋結果中的房源。Amazon 使用 LTR 排序產品推薦。在電商平臺上，商品搜尋結果的排序同樣依賴 LTR 模型，綜合用戶點擊率、轉化率、品質評分等信號。
廣告系統中，LTR 用於拍賣環境下的廣告排序，平衡相關性、用戶體驗和廣告主出價。
常見誤區
許多人認為 LTR 可以直接使用標準的分類或迴歸模型，但這會忽視排序的結構特性。Pointwise 方法雖然簡單，但最終排序效果往往不理想，因為它不保證相對順序的正確性。
另一個誤區是過度依賴特徵。LTR 模型的效果關鍵取決於特徵質量。如果特徵無法有效區分相關物品和不相關物品，即使使用最先進的 LTR 演算法也無法取得好效果。此外，LTR 模型的訓練標籤（相關性判斷）往往由人類標註，標籤品質和覆蓋度直接影響模型性能。
還有一個實務誤區是忽視排序指標與業務目標的偏差。常用的排序指標如 NDCG 衡量相關性，但用戶滿意度可能涉及多個維度（相關性、多樣性、新穎性、公平性），單純優化 NDCG 可能犧牲其他目標。
與相關技術的比較
- 與相關性打分：LTR 自動學習最優排序特徵和權重，手工打分規則難以適應複雜需求
- 與協同過濾推薦：協同過濾預測用戶-物品評分，LTR 預測相對排序；兩者往往結合使用
- 與強化學習排序：LTR 優化靜態排序指標，強化學習考慮序列決策和長期用戶滿意度
- 與多目標排序：LTR 通常優化單一指標，多目標方法同時考慮相關性、多樣性、公平性
- 與上下文感知排序：LTR 標準方法可包含上下文特徵，專門的上下文感知方法更深入利用上下文信息