RankLib源码分析（二）：RankNet

参考文档：

From RankNet to LambdaRank to LambdaMART: An Overview(简写文章DocF)

Learning to Rank using Gradient Descent （简写为DocL）

简单描述一下思想：

论文（ Learning to Rank using Gradient Descent）：

1.第三节，提出模型，对P ij建模；

2.3.1节提出一致性要求，并推导出hat Pik ，hat Pik ,hat Pkj之间的关系

3.3.1节证明一个很重要的东西：

Then specifying any set of adjacency
posteriors is necessary and sufficient to uniquely

identify a target posterior 0 ≤ Pij ≤ 1 for every pair of
samples xi , xj .

根据前面的模型，给定任意排列，相邻元素之间的后验概率是任意xi,xj的Pij唯一的充分必要条件。

4.3.1节简化模型，将任意序列之间的相邻元素之间的后验概率统一设置为P 。

5.第4节，由普通的二层网络扩展到相邻相关素之差的二层网络。

对这部分的个人想法：

1.训练集中已经包含了相邻元素的rate值，那么f(0i-0j)要么是1（正确），要么是-1（错误）。

2.通过训练二层网络O，通过比较f(0i-0j，1)获取O的最佳参数。（所有的输入i的排名要比j高）