在搜索框里敲「附近修手机」，返回的几十家店其实都沾边，可用户只会点前三个。让 AI 参与排序，难的不是判断某条结果相不相关——那是个分类问题，做法早就成熟——而是决定这一页里谁站第一位。排序学习（learning to rank）处理的就是整页顺序，它的样本形态跟普通分类完全不同：一个查询下的一批候选，连同它们之间的先后，构成一条训练样本。形态一变，损失函数、评估指标、数据采集方式全都要跟着改。
判一条和排一页，是两种问题
分类模型关心这一条属于哪一类，样本之间彼此独立。排序面对的是同一个查询下的一组候选，它们的分数要放在一起比才有意义。这带来一个直接后果：不同查询之间的分数不可比。模型给「修手机」的候选打 0.8，给「换电池」的候选打 0.6，这两个数字放在一起没有含义，只有同一查询内部的相对高低才成立。
所以排序系统的评估也不能按单条算准确率。它要回答的是「相关的结果有没有被排到前面」，答案取决于整页的排列，而不取决于某一条判对没判对。这条差别决定了后面所有设计：样本怎么采、损失怎么写、指标怎么定。
三种学法，代价落在标注上
| 方法 | 怎么学 | 代价 |
|---|---|---|
| 单点法 pointwise | 每条候选单独喂给模型，学一个相关性分数或点击概率，最后按分数排 | 实现最省事，但学不到候选之间的相互影响；不同查询的分数尺度不统一，跨查询比较会失真 |
| 配对法 pairwise | 每次取同一查询下的两条候选，学「A 该不该排在 B 前面」，转成二分类 | 样本量随候选数平方增长；只约束两两相对，整页排列仍可能很怪 |
| 列表法 listwise | 直接把整个排列当学习对象，损失定义在整页的排序结果上 | 目标非凸、训练不稳，对列表长度和截断位置敏感，调参成本高 |
三行的分野，一半在建模能力，一半在数据成本。单点法能直接复用现成的点击率模型和标注数据，落地最快；配对法要把「哪个更好」问出来，标注量随候选数平方增长；列表法要求标注者对一整页给评价，一条样本信息量最大，也最难采。工程上的常见路径是先用单点法上线，再拿点击日志做配对或列表训练。
位置是稀缺资源，相关性只是其中一维
第一屏就那么几个位置。同一批结果换个顺序，点击率能差出几倍，这个差距不来自内容质量，来自位置本身。于是排序目标里除了相关性，还要塞进别的东西：多样性，避免整页都是同一家连锁店；新鲜度，新闻类查询里三天前的稿子该往后放；商业约束，某些位置有合约在身。
这些维度通常以特征或重排规则的方式接入：先按相关性排出一版，再用规则做局部调整。也有把多目标直接写进损失的做法，代价是要为每个目标准备标签，而「多样性够不够」这种判断很难标得一致。相关性的原始定义、损失怎么构造，可以对照损失函数里的讲法一起看。
指标给位置打折，是为了对齐人的感受
常用的排序指标都建立在同一个假设上：越靠前的点击越多，所以越靠前的位置价值越高。折损累积增益把每条结果的相关性除以一个随位置递增的对数项，第 1 位不打折，第 10 位的贡献只剩三分之一左右。归一化之后除以理想排列的得分，得到 0 到 1 之间的数，方便跨查询比较。
折扣系数为什么取对数而不取线性，没有理论上的必然，它是从点击数据里拟合出来的经验。不同业务的最优曲线不一样，搜索和推荐套同一套参数就会偏。指标怎么选、怎么和业务口径对齐，模型评估指标那篇有更完整的对照。
定义不了「什么顺序更好」，是它的硬边界
排序学习优化的是你给的标签。标签来自人工标注或点击日志，两者都带偏差，而模型没有能力识别这种偏差。人工标注的一致性问题最容易被低估：让三个人给同一批结果排先后，两两一致率往往只有七八成，剩下的分歧会被模型当成信号学进去。
点击日志的偏差更隐蔽。排在前面的结果天然被点得多，模型于是学到「排在前面就是好」，再用这个结论决定谁排前面，形成自我强化。不做纠偏，新内容永远没有出头机会，因为它在训练数据里从来没被展示过。业界的做法是给点击加权，用倾向分倒过来修正曝光带来的偏差，可倾向分本身也要估，估错了纠偏就变成另一种偏。
还有几件事它做不到。新查询冷启动：没有任何历史点击就没有训练信号，只能退回字面匹配。全局最优：列表目标非凸，训练出来的是局部解，换个随机种子结果可能就不同。判断内容真假：排序只管先后不管对错，一条编得很像的假消息只要特征对得上，照样能排第一，这类问题和AI 幻觉属于两个环节，幻觉发生在生成，排序只是把它排了上去。
看一个排序系统好不好，先看它的日志
线上效果靠 A/B 实验说话，离线指标涨了线上没涨是常态。原因通常有两个：离线数据里的曝光分布和线上要面对的分布不一致；离线指标只覆盖被展示过的候选，没展示过的永远进不了评估。评估集要定期重建，否则模型会慢慢过拟合到一批固定查询上，这类退化和数据漂移是同一类问题。
落到具体做法，先盯三个数：头部查询的排序满意度、长尾查询的零结果率、新内容进入前 10 位的比例。第三个数字最能反映系统有没有被历史偏好锁死。想进一步压住排序分数的抖动，可以看梯度提升里关于树模型迭代的讨论，LambdaMART 这一族方法正是在这个框架上换了一套梯度定义。
速查：判断一套排序方案能不能落地
- 标签从哪来：人工标注的一致率有没有测过，低于八成先修标注规范。
- 日志有没有纠偏：只拿原始点击训练，等于把位置当成了质量。
- 指标对不对业务：看 NDCG 还是看首屏点击，两者会选出不同的模型。
- 新内容有没有机会：统计前 10 位里新条目的占比，长期为零就是锁死了。
- 冷启动怎么兜：新查询没有点击时，退回字面匹配还是规则兜底，要提前定。
