之前的博客：http://www.cnblogs.com/bentuwuying/p/6681943.html中簡單介紹了Learning to Rank的基本原理，也講到了Learning to Rank的幾類常用的方法：pointwise，pairwise，listwise。前面已經(jīng)介紹了pairwise方法中的 RankSVM，IR SVM，和GBRank。這篇博客主要是介紹另外三種相互之間有聯(lián)系的pairwise的方法：RankNet，LambdaRank，和LambdaMart。
1. RankNet
RankNet是2005年微軟提出的一種pairwise的Learning to Rank算法，它從概率的角度來解決排序問題。RankNet的核心是提出了一種概率損失函數(shù)來學(xué)習(xí)Ranking Function，并應(yīng)用Ranking Function對文檔進行排序。這里的Ranking Function可以是任意對參數(shù)可微的模型，也就是說，該概率損失函數(shù)并不依賴于特定的機器學(xué)習(xí)模型，在論文中，RankNet是基于神經(jīng)網(wǎng)絡(luò)實現(xiàn)的。除此之外，GDBT等模型也可以應(yīng)用于該框架。
1.1 相關(guān)性概率
我們先定義兩個概率：預(yù)測相關(guān)性概率、真實相關(guān)性概率。
（1）預(yù)測相關(guān)性概率
對于任意一個doc對(U
延伸閱讀
學(xué)習(xí)是年輕人改變自己的最好方式