定義
最近幾年排序學習是非常熱門的研究領域，而傳統的排序也有大量的成熟的方法，
主要分為相關度排序和重要性排序這兩類排序模型。對於相關度排序模型，比如不二模型、隱語義分析模型等，它們主要是根據查詢與文檔之間的相似度來對文檔進行排序；而對於重要性排序模型，主要思想是基於文檔之間的圖模型來判斷文檔的重要性，比如比較權威的谷歌谷歌的創始人拉里·佩奇和謝爾蓋·布林於 1998 年在史丹福大學提出的 PageRankp[24]算法，以及康奈爾大學的 Jon Kleinberg博士提出的 HITS等。
對於傳統的排序模型，其不足之處在於單個模型只使用一個單一的特徵，而搜尋排序結果是由許多排序因素影響的，這就涉及如何對各個參數進行調節的問題，人工調參不僅浪費時間而且得到的效果也不一定好，而機器學習的方法可以解決這個問題，就是使用排序學習訓練新的模型，並自動學得這個新模型的參數。前面有提到，排序學習屬於監督的機器學習方法，這種機器學習方法可以很輕鬆的融合多個特徵，其模型參數是由疊代得出，且針對特徵值稀疏、過擬合問題都有很好的解決策略，有深厚的理論基礎。
排序學習是是一種基於監督學習的排序方法，由於其良好的效果，已經被很多領域所認可和採納，例如在實際網路搜尋中，谷歌、Bing、百度等搜尋引擎對召回結果的排序。同樣的，在研究領域，排序學習也受到了廣泛的關注，例如 ICML，NIPS等信息檢索、機器學習的國際會上有超過 100篇的相關文章，而在信息檢索頂級會議 SIGIR上，每年都至少有兩個 session 是有關排序學習的。排序學習的任務是對一組文檔進行排序，其希望能夠通過使用人工標註的數據來進行算法設計，挖掘出隱藏在數據中的規律，從而完成對任意查詢需求給出反映相關性的文檔排序。
排序學習算法
排序學習分為三大類，即 PointWise、PairWise和 ListWise。下面我們將分別介紹這三種方法。
1. 單文檔方法(PointWise Approach)，顧名思義，就是將單獨的一篇文檔轉換為特徵向量，通過使用機器學習算法，學習訓練集合中的分類方法，然後利用學習好的分類規則對一篇文檔進行打分。
2. 文檔對方法(PaireWise Approach)。在上文介紹的單文檔方法中，其主要是從單文檔屬性的角度來對文檔的相關性進行判斷，並沒有考慮文檔之間的關係。而對於搜尋系統來說，用戶希望查詢返回的網頁中最相關的網頁能夠排名靠前，因此，搜尋系統最主要的問題就是確定文檔之間的順序關係。所以，在文檔對方法中，主要考慮的是文檔之間的順序關係是否合理。
3. 文檔列表方法(ListWise Approach)。ointWise 方法和 PairWise 方法使得訓練集從單個文檔擴展到了文檔對之間，那ListWise方法更進一步，使訓練集擴充到了整個文檔的範圍之內。ListWise方法中，通過用查詢返回的整個文檔集合作為訓練集實例，來進行評分函式 F的訓練。
