1. 4-【理论】RankNet：排序学习算法的“在天之灵”
在搜索排序的项目中，系统性梳理推荐/搜索排序算法脉络，对项目实施与演进至关重要。一般而言，推荐/搜索排序系统包含召回、排序与干预三个阶段。排序阶段分为粗排与精排，具体业务不同，策略各异。网络上已有多样丰富的资料，这里重点介绍排序任务的三种算法设计方法：PointWise、PairWise与ListWise。
PointWise方法关注于每个查询下的单个文档绝对相关度，不考虑文档间关系，最符合标准机器学习结构。PairWise方法则关注文档间的相对相关度，即在给定查询下，文档之间的相对排序。ListWise方法则考虑整个搜索结果列表的排序，旨在优化文档列表整体。
在算法逻辑框架中，PointWise方法最为基础，其直接应用机器学习标准；PairWise方法则专为排序场景设计，核心在于最小化文档对的排序误差，体现了数据科学家的深入思考与创新；ListWise方法在PairWise基础上进行改进优化。LambdaMART作为ListWise模型的代表，曾赢得2010 Yahoo! Learning To Rank Challenge的冠军。
RankNet作为LambdaMART的基础模型，基于PairWise思想，被誉为排序学习算法的“在天之灵”。其经典性与创新性使其成为研究领域不可或缺的里程碑。尽管深度神经网络在2016年后回潮，PointWise方法再次受到重视，但轻量级的LambdaMART在特定场景下仍具有高性价比。
美团在搜索排序应用的演进过程中，经历了从逻辑回归（LR）到LambdaMART再到各种深度神经网络结构的探索，最终从上一版升级至LambdaMART，实现了业务应用效果的质的飞跃。
理解LambdaMART的关键在于理解RankNet的核心思想：最小化文档对的排序误差。这一步骤是整个算法设计的“神来之笔”，与标准机器学习数据结构相比，RankNet在数据定义、假设函数、目标函数与优化算法设计上独具匠心。
数据结构定义、假设函数设计与目标函数明确，为算法提供坚实基础。优化算法通过分析文档对的偏微分，揭示了排序误差的最小化过程。在Python实现中，尽管没有现成的RankNet接口，通过手写代码或利用XGBoost等工具，可以实现LambdaMART框架。
排序任务中，DMatrix数据结构的分组信息通过set_group()方法设置，以适应排序任务需求。LambdaMART的梯度向量在优化过程中融入评估指标信息，有效指导算法优化，提升排序效果。