Tag: ltr
-
【AI 核心深度 M7-047】解释排序中的位置偏置与去偏方法（Explain Position Bias in Search Ranking and Algorithmic Debiasing via Inverse Propensity Scoring (IPS)）深度数理推导与工程落地解析
用户倾向点击靠前结果（与相关性无关）；需用’逆倾向加权（IPS）’或’点击模型’去偏，否则学到的模型会’放大已有排序’。
-
【AI 核心深度 M7-048】解释排序特征的分类（Explain the Taxonomy and Classification of Ranking Features in Search and Recommendation）深度数理推导与工程落地解析
查询特征、文档特征、查询-文档交互特征、上下文/用户特征；交互特征是核心（但计算成本高）。
-
【AI 核心深度 M7-049】解释排序模型的目标设计与多目标融合（Explain Multi-Objective Ranking Formulation, Loss Functions, and Pareto Optimization）深度数理推导与工程落地解析
排序目标可能是多目标的加权/约束组合；需处理目标冲突、权重调优、以及’短期 vs 长期’。
-
【AI 核心深度 M7-050】解释排序模型的线上-离线不一致来源（Explain the Sources of Offline-Online Metric Discrepancies in Search and Recommendation）深度数理推导与工程落地解析
特征偏斜、模型版本、位置偏置、反馈循环、以及’离线指标与在线指标的目标差异’。
-
【AI 核心深度 M7-051】解释 LTR 的特征工程与特征重要性分析（Explain Feature Engineering and Feature Importance Analysis (SHAP, Gain) in Learning-to-Rank）深度数理推导与工程落地解析
特征需归一化/分桶/交叉；重要性用 GBDT gain 或 SHAP 分析；注意’重要性≠因果’与’高成本特征’的剔除。
-
【AI 核心深度 M7-045】比较 Pointwise、Pairwise、Listwise 三种 LTR 方法（Compare Pointwise, Pairwise, and Listwise Learning-to-Rank (LTR) Methodologies）深度数理推导与工程落地解析
pointwise 逐个打分（忽略顺序）、pairwise 优化样本对顺序、listwise 直接优化列表指标。
-
【AI 核心深度 M7-046】解释 LambdaMART 的核心思想（Explain the Core Principles, Lambda Gradients, and GBDT Integration of LambdaMART）深度数理推导与工程落地解析
用 λ 梯度（含 |ΔNDCG| 权重）作为’伪梯度’，配合 GBDT 拟合；既优化排序指标又利用 GBDT 的强拟合能力。