个性化推荐系统--学习排序综述（7-1）

一、什么是学习排序？

说起学习排序，首先介绍一下排序，排序是在搜索场景以及推荐场景中应用的最为广泛的。

传统的排序方法是基于构造相关度函数，使相关度函数对于每一个文档进行打分，得分较高的文档，排的位置就靠前。但是，随着相关度函数中特征的增多，使调参变得极其的困难。所以后来便将排序这一过程引入机器学习的概念，也就变成这里介绍的学习排序。

那么这里介绍的排序都是指对于单独的文档进行预估点击率，将预估点击率最大的文档排到前面。

所以特征的选择与模型的训练是至关重要的。

那么什么是学习排序呢？

学习排序：将个性化召回的物品候选集根据物品本身的属性结合用户的属性，上下文等信息给出展现优先级的过程。

下面用一个例子进行展示：

假设这里有一个用户A，基于他的历史行为给出了召回，可能是很多种召回算法，经过合并之后得到的6个item。经过排序，最终将这6个item的优先级固定为c、a、f、d、b、e。

得到优先级的过程就是由排序得到的。分别根据item本身的属性，以及user当前的一些上下文和user固定的一些属性，得到此时最佳的顺序应该是将c