Learning to Rank是采用機器學(xué)習(xí)算法，通過訓(xùn)練模型來解決排序問題，在Information Retrieval，Natural Language Processing，Data Mining等領(lǐng)域有著很多應(yīng)用。
1. 排序問題
如圖 Fig.1 所示，在信息檢索中，給定一個query，搜索引擎會召回一系列相關(guān)的Documents（通過term匹配，keyword匹配，或者semantic匹配的方法），然后便需要對這些召回的Documents進(jìn)行排序，最后將Top N的Documents輸出。而排序問題就是使用一個模型 f(q,d)來對該query下的documents進(jìn)行排序，這個模型可以是人工設(shè)定一些參數(shù)的模型，也可以是用機器學(xué)習(xí)算法自動訓(xùn)練出來的模型?，F(xiàn)在第二種方法越來越流行，尤其在Web Search領(lǐng)域，因為在Web Search 中，有很多信息可以用來確定query-doc pair的相關(guān)性，而另一方面，由于大量的搜索日志的存在，可以將用戶的點擊行為日志作為training data，使得通過機器學(xué)習(xí)自動得到排序模型成為可能。
需要注意的是，排序問題最關(guān)注的是各個Documents之間的相對順序關(guān)系，而不是各個Documents的預(yù)測分最準(zhǔn)確。
Learning to Rank是監(jiān)督學(xué)習(xí)方法，所以會分為training階段和testing階段，如圖 Fig.2 所示。
