--- title: "配對級學習排序（Pairwise Learning to Rank）" slug: pairwise-learning-to-rank language: zh-TW source: https://aiterms.tw/terms/pairwise-learning-to-rank updated_at: 2026-06-23 tags: [推薦系統, 排序, 機器學習] ipas_term: false --- # 配對級學習排序（Pairwise Learning to Rank） 優化物品對的相對順序，確保相關物品排在不相關物品之前。計算複雜度與效果的良好平衡點。 ## 完整說明 配對級學習排序（Pairwise LTR）將排序問題轉化為物品對的相對順序優化。給定查詢和候選物品列表，系統學習相關物品應排在不相關物品之前。損失函數衡量所有違反這一順序的物品對數量或違反概率，驅動模型參數調整以最小化違反。 ## 常見問題 ### Pairwise 方法中為什麼會出現「簡單對」問題，如何處理以提升訓練效率？ 簡單對是指相關度差異明顯的物品對，例如高相關物品vs低相關物品。這類對對模型訓練貢獻小，因為模型容易學會區分它們。訓練集中大量簡單對導致訓練時間浪費。處理方法包括：第一，難例挖掘，優先選擇相關度接近但順序違反的物品對進行訓練，即「難對」。這些對對模型的約束更有意義。第二，加權策略，給難對更高的權重，簡單對更低的權重。第三，採樣策略，不使用所有物品對，只隨機採樣一部分，重點採樣難對。LambdaRank 的創新之一就是引入 lambda 權重，自動給予相關度接近的物品對更高權重。第四，負採樣，在推薦系統中，使用全部負樣本不現實，負採樣（選擇代表性負樣本）能提升效率。實務中第一和第三種方法結合效果最佳。 ### 如何解決 Pairwise 訓練集中相關物品對稀缺的問題，避免模型無法精細區分相關性強度？ 在實際場景中，相關度為 5 星的物品往往遠少於 1 星的物品，導致訓練集中相關性強的物品對（5 星 vs 4 星）極少。這使得模型難以學習精細區分高相關物品的能力。解決方案包括：第一，數據增強，利用用戶點擊、停留時間等隱式反饋生成更多強相關物品對。例如，視頻停留時間超過一定閾值的可視為強相關，生成更多相應的對。第二，重新標籤或標籤平滑，將離散相關度分級轉為連續相關度估計，充分利用數據中的細粒度信號。第三，層次化訓練，先訓練區分相關vs不相關（二分類），再訓練細粒度相關度排序。第四，遷移學習，從相似任務（如其他查詢類型）遷移已學的細粒度區分能力。第五，多任務學習，同時預測相關度（迴歸）和相對順序（配對），讓相關度預測任務提供額外監督信號。組合多個方法往往效果最佳。 ### 為什麼 LambdaRank 引入 lambda 權重能改善 Pairwise 排序效果？ 標準 Pairwise 方法給所有物品對相同的權重，但實際上不同物品對對最終排序質量的影響差異很大。LambdaRank 的創新在於為物品對分配動態權重 lambda，權重大小取決於交換該物品對會改變排序指標（如 NDCG）多少。具體地，lambda 正比於交換物品 i 和 j 後 NDCG 的改變量。排序位置靠前的物品對（i.e. 高折扣因子）若排序違反，交換會大幅改善 NDCG，因此獲得更高權重；排序位置靠後的物品對交換影響小，權重低。這樣，模型優先學習改善排序質量最有效的物品對，相關度接近且位置靠前的「難對」自動獲得高權重。結果是 Pairwise 損失函數更緊密地與最終排序指標對齊，模型學習更高效，排序質量顯著提升。LambdaRank 的這一創新也為後續 Listwise 方法（LambdaMART）的發展奠定了基礎。 --- 來源：https://aiterms.tw/terms/pairwise-learning-to-rank 快查頁：https://aiterms.tw/terms/pairwise-learning-to-rank 最後更新：2026/06/23 深度解說：https://aiterms.tw/learning/what-is-pairwise-learning-to-rank