1. Learning to Rank算法

下图为机器学习排序的原理图，机器学习排序系统由4个步骤组成——人工标注训练数据、文档特征抽取、学习分类函数、在实际搜索系统中采用机器学习模型。

2. Learning to Rank的三种类型

Learning to Rank主要包含pointwise方法、pairwise方法和listwise方法三种类型。

• pointwise方法：对于某一个query，它将每个doc分别判断与这个query的相关程度，由此将docs排序问题转化为了分类（比如相关、不相关）或回归问题（相关程度越大，回归函数的值越大）。
• pairwise方法：pairwise方法并不关心某一个doc与query相关程度的具体数值，而是将排序问题转化为任意两个不同的docs di和dj谁与当前的query更相关的相对顺序的排序问题。一般分为di比dj更相关、更不相关和相关程度相等三个类别，分别记为{+1, -1, 0}，由此便又转化为了分类问题。
• listwise方法：将一个query对应的所有相关文档看做一个整体，作为单个训练样本。

3. GBRank

（1）定义

GBRank是一种pairwise的学习排序算法，它是基于回归来解决pair对的先后排序问题。在GBRank中使用的回归算法是GBT（Gradient Boosting Tree）

（2）算法原理

一般来说在搜索引擎里面，与用户搜索query相关度越高的网页越应该排在前面。现在query-doc的特征使用向量$x$或者$y$表示，假设现在有一个文档对$<x_i,y_i>$，当$x_i$排在$y_i$前面时，我们使用$x_i>y_i$来表示。

在实际用的时候可以将 $x_i$ 当作doc_x的特征，$y_i$ 当作doc_y的特征。这样的话$h(x_i)$ 可以理解为doc_x 的分数，$h(y_i)$ 可以理解为doc_y 的分数。

我们含顺序的pair对用如下集合表示（也就是真的$x_i$排在真的$y_i$前面）：

现假设学习的排序函数为$h(x)$，我们希望当$h(x_i)>h(y_i)$时，满足$x_i>y_i$的样本的数量越多越好。

现将$h(x)$的风险函数用如下的式子表示：

从$R(h)$可以知道每个pair对$<x_i,y_i>$的cost为：

可以发现当：

• $h(x_i)\ge h(y_i)$，cost为0，也就是并不会对最终的风险函数的值产生影响
• $h(x_i)<h(y_i)$，cost为其差值的平方

上述风险函数直接优化比较困难，这里一个巧妙的解决方案是使用回归的方法，也就是让$x_i$去拟合$y_i$的预测值，让$y_i$去拟合$x_i$的目标值。

为了避免优化函数$h(x)$是一个常量函数，风险函数一般会增加一个平滑项$\tau$($0<\tau \le 1$)：

因为当$h(x)$为常量函数时，先前的 $R(h)=0$ 就没有再优化的空间了，加入平滑项就变相地转为：如果希望$x_i>y_i$，就得有$h(x_i)>h(y_i)+\tau$，也就更为严格了，多了一个gap。

对于$R(h)$计算$h(x_i)$和$h(y_i)$的负梯度为：

可以发现当pair对符合$<x_i,y_i>$顺序时，上述的梯度均为0，对于这一类case就没有必要去优化了，但是对于另一类，如果$h(x)$不满足pair$<x_i,y_i>$ 他们对应的梯度为：

到了这里我们就知道所谓的训练样本就是对于 $x_i>y_i$ 但是 $h(y_i)>h(x_i)$ 的那些样本，并且使用的是回归的方法，GBRank为其巧妙地找到了 $x_i$的 目标为 $h(y_i)+\tau$ 以及 $y_i$ 的目标为 $h(x_i)-\tau$， 也就是在每次迭代的时候将会构建以下的训练集：

这里可以这样理解：

让 $h_{(t)}(x_i)+\tau$ 向着 $h_{(t-1)}(y_i)$ 逼近，让 $h_{(t)}(y_i)+\tau$ 向着 $h_{t-1}(x_i)$ 逼近。

这是因为在有效的训练集中，即 $x_i>y_i$ 但是 $h(y_i)>h(x_i)$ ，我们的目标是更新函数 $h(x)$ 使得经 $h(x_i)$ 算出来的$x_i$ 的分数更高，经$h(y_i)$ 算出来的$y_i$ 的分数更低。所以 $h_{(t)}(x_i)+\tau$ 的目标就是更大一些的 $h_{(t-1)}(y_i)$， $h_{(t)}(y_i)+\tau$ 的目标就是更小一些的 $h_{t-1}(x_i)$。

（3）算法步骤