---
title: "學習排序（Learning to Rank）"
slug: learning-to-rank
language: zh-TW
source: https://aiterms.tw/terms/learning-to-rank
updated_at: 2026-07-30
tags: [推薦系統, 機器學習, 排序]
ipas_term: false
---

# 學習排序（Learning to Rank）

將排序問題轉化為機器學習任務，透過訓練排序模型預測查詢-文檔對的相關性，自動優化排序順序。

## 完整說明

學習排序（Learning to Rank, LTR）將信息檢索和推薦系統中的排序問題轉化為監督學習任務。給定查詢或用戶上下文，系統需預測候選物品與其相關性，據此排序。LTR 兼具傳統手工規則的可控性和機器學習的自適應性，已成為搜尋引擎、推薦系統、廣告系統的標準方案。

## 常見問題

### Pointwise、Pairwise 和 Listwise 三種 LTR 方法各有什麼優缺點，應如何選擇？

三種方法在優化目標、計算複雜度和效果上各有權衡。Pointwise 方法把排序視為逐個物品的相關性預測，損失函數簡單（如分類交叉熵），計算複雜度 O(n)，易實現但忽視了物品間的相對順序信息，最終排序效果往往次於其他方法。Pairwise 方法優化物品對的相對順序，損失函數衡量排序違反，計算複雜度 O(n^2)，性能明顯優於 Pointwise。Listwise 方法直接優化整個排序列表，損失函數為排序指標（NDCG、MAP）的近似或上界，最直接優化最終排序質量，但計算複雜度最高，實現也最複雜。實務選擇：當數據充足、計算資源豐富時優選 Listwise；當需要快速部署或數據有限時選 Pairwise；Pointwise 主要作為基線。許多系統採用組合方案，例如先用 Pairwise 快速訓練，再用 Listwise 微調。

### LTR 模型依賴高質量的標籤數據，如何在標籤稀缺時仍有效訓練？

高質量標籤的稀缺是 LTR 實務應用的主要挑戰。解決方案包括：第一，弱標籤利用，用隱式反饋（點擊、停留時間、購買）代替人工標籤，通過假設用戶點擊表示相關、停留時間長表示滿意等進行標籤構造。Google 就透過點擊信號構造龐大訓練集。第二，多任務學習，同時訓練多個相關任務（如點擊預測、轉化預測）共享底層特徵，利用任務間的遷移學習。第三，遷移學習和域適應，借助其他領域或相關查詢的標籤知識初始化模型，減少目標任務所需標籤量。第四，人工在迴路，逐步積累難例標籤以擴展訓練集。第五，數據增強，利用相似查詢或物品構造新訓練樣本。實務中通常組合多個策略。

### LTR 模型在線上應用中面臨的主要挑戰有哪些，如何應對？

LTR 模型從離線訓練到線上推理面臨多個挑戰。首先是延遲問題，排序時需實時計算成百個特徵並執行複雜模型，可能達到數百毫秒，超出推薦系統的延遲預算。解決方案包括優化特徵計算（預計算、快取）、模型壓縮（知識蒸餾、量化）、分級排序（粗排+精排）。其次是特徵穩定性，線上數據分佈與訓練數據可能偏移，模型性能下降。應對包括定期重訓練、在線學習、域適應技術。第三是排序指標與業務目標偏差，NDCG 最高不代表用戶最滿意或轉化最高。解決方案是多目標排序，同時優化相關性、多樣性、轉化率、公平性。第四是冷啟動，新查詢或新物品缺少訓練數據。應對方式包括特徵工程、遷移學習、混合策略。實務系統通常採用分級策略，新查詢先用規則和淺層模型，積累訓練數據後逐步遷移到 LTR 模型。

---

來源：https://aiterms.tw/terms/learning-to-rank
快查頁：https://aiterms.tw/terms/learning-to-rank
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-learning-to-rank