完整定義
排序（Ranking）在信息檢索中指的是根據特定評分函數或模型，對候選文檔或結果進行排序，使最相關或最有價值的結果排在前面的過程。有效的排序不僅需要識別與查詢相關的文檔，更重要的是要在眾多相關文檔中進行精確的優先級排序。現代搜索引擎的排序涉及數百個信號和複雜的機器學習模型，對搜索體驗有決定性的影響。
核心概念
信息檢索中的排序涉及多個維度的考慮：
相關性排序：衡量文檔與查詢的關聯程度，是排序的基礎。
質量信號：不同文檔的質量不同，例如專業來源的文檔通常被認為質量更高。
流行度/權威性：如 PageRank 等指標反映文檔在網路中的重要性。
新鮮度：對時間敏感的查詢，更新的文檔往往更有價值。
多樣性：避免返回高度相似的結果，提供覆蓋不同角度的信息。
個性化：根據用戶的偏好和搜索歷史調整排序。
運作原理
現代排序系統通常採用分層架構：
第一層：檢索階段（Retrieval）
- 使用簡單而高效的算法（如 BM25）從龐大的文檔集合中快速找出可能相關的候選文檔。
- 目標是在保證召回率的前提下進行快速篩選。
第二層：粗排序（Coarse Ranking）
- 使用比較簡單的機器學習模型（如決策樹集成）對候選文檔進行初步排序。
- 減少進入精排序的文檔數量。
第三層：精排序（Fine Ranking/Learning to Rank）
- 使用複雜的深度神經網路模型（如神經排序模型）對少量候選文檔進行精確排序。
- 考慮數百個相關性、質量、新鮮度等信號。
實際應用
- 搜索引擎：Google、Bing 等搜索引擎的核心技術
- 推薦系統：按用戶可能的興趣程度排序推薦項
- 信息流推送：社媒平台根據相關性和互動預測排序內容
- 電商搜索：按相關性、銷量、評分等因素排序產品
- 問答系統：返回與提問最匹配的答案
- 廣告競價：在多個廣告主中選擇並排序廣告
常見誤區
許多人認為排序只是「相關性」的問題，但現代排序系統考慮的因素遠超相關性，包括質量、新鮮度、多樣性、用戶滿意度等多個維度。同時，排序並非一成不變的，而是根據不同的查詢意圖、用戶特徵和時間等因素進行動態調整的。
常見問題
搜索結果的排序受多個動態因素影響。首先，搜索引擎持續更新索引和排序模型。其次，個性化因素會影響排序，不同用戶會看到不同的結果順序。第三，時間因素也很重要，新聞類查詢會偏向最新結果。最後，地理位置、設備類型、搜索歷史等用戶特徵也會影響排序。這些變化是正常的，目的是為不同用戶提供最相關的結果。
傳統排序算法（如 BM25、TF-IDF）使用手工設計的相似度公式，需要人工選擇和調整特徵。Learning to Rank 使用機器學習模型，自動從訓練數據中學習最優的排序函數。它能夠綜合考慮數百個信號，並根據實際的用戶滿意度數據進行優化。LTR 通常能達到更好的排序效果，但需要大量的訓練數據和計算資源。
排序效果的評估通常使用多個指標：MAP（Mean Average Precision）衡量整體排序質量，NDCG（Normalized Discounted Cumulative Gain）強調頂部結果的重要性，MRR（Mean Reciprocal Rank）關注第一個相關結果的位置。此外，A/B 測試能直接測量用戶滿意度的變化，是評估排序改進最直接的方法。
不太一樣。Excel 的排序是依某個欄位的數值或文字大小重新排列資料，排序演算法（例如快速排序）處理的也是有明確大小關係的排列。資訊檢索的排序要先替每份文件算出和查詢的相關度分數，再依分數排先後，難處在於怎麼估計相關度。
ranking 一般譯為排名或排序。日常用法如大學排名、銷售排行，指依某個標準排出的名次。在搜尋與推薦系統中多譯為排序，指依相關度替候選結果排先後，SEO 說的 ranking 則是網頁在搜尋結果中的名次。
相關術語
來源
參考來源：en.wikipedia.org
其他格式：Markdown 版本