在排序算法，常见的有三大类。分别是pointwise,pairwise和listwise。
pointwise是处理单一文档，将文档转化为特征向量后，主要是将排序问题转化为机器学习中常规的分类或回归问题。
当模型参数学习完毕后，之后就可利用模型进行相关性判断，对新的查询和文档，通过模型的打分函数可以得到一个数值，利用该数值即可对文档进行排序了。
pointwise主要分为三类
1.基于回归的算法
基于回归的算法基本原理是通过将相关度的得分转化为连续变量，通过学习排序函数进行回归。
2.基于分类的算法
2.1 二分类算法，通过将目标值y转化为相关或者不相关，标记为+1,-1
2.1.1基于svm的算法 ,使用svm的方法进行二分类，优点是可以自动学习特征，更少的假设。
2.1.2基于logistic regression方法。
2.2 基于多分类的方法
2.2.1基于boost树模型的多分类方法：
通过boost得分多分类的分类结果，再通过公式将多分类的结果转化为排序
2.2.2 基于关联规则的方法：
找到一个可以把特征X转化为分类y的规则，这个规则可以是pm25作为置信度，支持度。这个规则的支持度可以作为条件概率，并且设置最小的置信度。只有当置信度大于该值时才使用。之后通过将各个类别的置信度*类别相加，得到系数s。之后按s进行排序。
2.3 排序回归算法
通过对排序进行回归，使结果的排序满足于预先的排序
2.3.1 基于感知器的排序
使用多层感知器，直接对顺序进行回归，对每一层设定设定阈值，来选取适合的分类
2.3.2 基于SVM的margin来选取，对每一类设置lower bound和upper bound的阈值
2.3.3 多种loss functions回归
同时使用hinge,exponential logistic square function 多种function 来做回归，然后用多种function的和来做最终的loss function.
总结：
pointwise 做rank时,可以对变量的相关性作出很强的反馈，经常用于提高检索的准确性。但是缺点也很明显。
主要的缺点：
1.pointwise的输入时单一的文档，文档和文档之间的相关顺序没有被考虑。然而排序主要是考虑结果之间的关系。
2.有一些文档用相同的query但是有一些不是。当查询的结果不一样时，有的查询结果较大，有的较小，损失函数会受到较大结果的影响。
3.在loss function中每个文章在rank list 中的位置不可见，对于排名靠后的结果准确率不高。
pointwise直接对好，或者不好进行分类，这样没有考虑每次查询输入的不同，和结果之间的排序顺序。查询和查询
参考文献：
1.learning to rank
网友评论