配對級學習排序 是什麼？
Pairwise Learning to Rank：配對級學習排序 的完整解釋
優化物品對的相對順序，確保相關物品排在不相關物品之前。計算複雜度與效果的良好平衡點。
核心概念
配對級學習排序（Pairwise Learning to Rank）是 LTR 三大方法中的折中方案，相比 Pointwise 考慮相對順序的結構性，相比 Listwise 計算複雜度更低。其核心思想是將排序問題簡化為判斷「物品 A 應否排在物品 B 前面」的二元決策。如果查詢 q 下物品 d_i 的相關度高於 d_j，則模型應給 d_i 更高的分數，違反此順序即產生損失。
Pairwise 方法的優勢在於損失函數與排序指標更緊密相關。相比 Pointwise 只關心單個物品的相關性預測，Pairwise 直接優化物品間的順序，這更接近排序的本質。相比 Listwise 考慮整個列表的全局質量，Pairwise 的計算複雜度顯著降低，使其在大規模應用中更可行。
運作原理
Pairwise 方法的核心是構造物品對的訓練集。給定查詢 q 和相關度標籤，任何相關度不同的物品對 (d_i, d_j) 形成一個訓練樣本。若 rel(q, d_i) > rel(q, d_j)，則標籤為「d_i 應排在 d_j 前面」。通常用標籤 +1（d_i 應排前）、0（無差異）或 -1（d_j 應排前）表示。
損失函數衡量相對順序的違反。常見的損失包括：
- Hinge Loss：L = max(0, 1 - (score(d_i) - score(d_j)) × label)
- Logistic Loss：L = log(1 + exp(-label × (score(d_i) - score(d_j))))
- Pairwise CrossEntropy：將順序視為二分類，d_i 應排前的概率為 σ(score(d_i) - score(d_j))
訓練時，系統逐個或批量處理物品對，計算損失並反向傳播更新模型參數。計算複雜度為 O(n^2)（每個查詢可有 O(n^2) 個物品對），相比 Listwise 低，相比 Pointwise 高。
Pairwise 方法的代表演算法包括 RankNet（神經網路 + Pairwise 損失）、LambdaRank（引入 lambda 權重強調重要物品對）、MART（Multiple Additive Regression Trees，Pairwise GBDT）。這些演算法在特徵表示方面可靈活選擇，從線性模型到複雜的深度神經網路。
實際應用
Pairwise 方法在搜尋和推薦系統中應用廣泛。微軟的 Bing 搜尋在其排序系統中採用 LambdaRank 演算法。Yahoo 公開發表了採用 RankNet 的搜尋排序系統論文。許多業界工程師和研究團隊基於 Pairwise 思想開發了生產系統。
Airbnb 在房源推薦中使用 Pairwise 排序，同時優化轉化率和用戶滿意度。LinkedIn 用 Pairwise 方法排序推薦的工作機會。在廣告系統中，Pairwise 方法用於廣告排序，平衡相關性和出價。
相比 Listwise 系統（如 LambdaMART），Pairwise 方法因其計算效率往往成為中型互聯網公司的通常，既提供了良好的排序質量，又不至於過度複雜化系統。
常見誤區
許多人認為 Pairwise 方法因考慮相對順序而完全避免了 Pointwise 的問題，但實際上 Pairwise 仍存在局限。例如，優化所有物品對的相對順序不一定導致最優的全局排序，特別是當物品對的相關度評分本身存在不一致性時。此外，Pairwise 生成的物品對數量龐大（O(n^2)），其中大部分可能是「簡單對」（相關度差異明顯），難對模型有貢獻，導致訓練效率低下。
另一個誤區是忽視物品對的不平衡問題。在實際數據中，相關物品通常少於不相關物品，導致訓練集中相關性很高的物品對很少，模型難以學習如何精細區分相關物品之間的順序。
還有人誤以為 Pairwise 損失函數的設計簡單，但實際上不同的損失函數（Hinge vs Logistic）會導致不同的模型行為，選擇不當會影響性能。
與相關技術的比較
- 與 Pointwise：Pointwise 計算簡單但忽視相對順序，Pairwise 考慮相對順序但計算更複雜
- 與 Listwise：Listwise 全局優化排序質量但計算最複雜，Pairwise 計算複雜度介於中間，性能接近 Listwise
- 與協同過濾：協同過濾預測評分，Pairwise LTR 優化相對順序，兩者經常結合
- 與強化學習排序：強化學習考慮序列決策和長期收益，Pairwise 優化單輪排序
- 與點擊模型：點擊模型建模用戶的瀏覽和點擊行為，Pairwise LTR 假設點擊意味著相關