1排序特征与point-in-time
闭卷重建排序特征与point-in-time的对象、公式、算例、算法与失败边界。
信息检索与搜索系统 · 小纸条
选一章打印。双面打印（按长边翻页）后沿虚线剪开，每张卡片正面题目、背面答案。
第 1 页 · 正面（题目）
2pointwise排序
闭卷重建pointwise排序的对象、公式、算例、算法与失败边界。
3pairwise排序
闭卷重建pairwise排序的对象、公式、算例、算法与失败边界。
4listwise与NDCG目标
闭卷重建listwise与NDCG目标的对象、公式、算例、算法与失败边界。
5负例采样与位置偏置
闭卷重建负例采样与位置偏置的对象、公式、算例、算法与失败边界。
6特征归一、缺失与单调约束
闭卷重建特征归一、缺失与单调约束的对象、公式、算例、算法与失败边界。
7LTR评测、消融与解释
闭卷重建LTR评测、消融与解释的对象、公式、算例、算法与失败边界。
第 1 页 · 背面（答案）
对象：pointwise把每个(q,d)当回归/分类样本预测相关标签，简单但未直接优化相对次序。；公式：min Σ_{q,d} L(f(x_qd),y_qd)。；算例：同query文档A标签3预测2.5、B标签0预测.5，平方损失=.25+.25=.5。；边界：文档样本随机切分让同query泄漏；类别不平衡只预测0。。
对象：特征包括query-doc匹配、质量、时效、行为和上下文；训练样本只能使用当时可得值。；公式：x(q,d,t)=features available before t。；算例：用点击后累计停留时长训练点击排序是标签后信息泄漏。；边界：用未来文档质量分；训练和线上字段归一不同。。
对象：listwise以完整候选列表为单位近似优化排序指标，需处理截断和不可导位置。；公式：softmax(s_i)=exp(s_i)/Σj exp(s_j)。；算例：分数[0,ln2]的softmax概率[1/3,2/3]，高分文档获双倍概率。；边界：把不同query文档拼一个softmax；截断候选导致训练分布偏。。
对象：pairwise学习相关文档分数高于不相关文档，常用logistic pair loss。；公式：L=log(1+exp(−(s_pos−s_neg)))。；算例：s_pos=2、s_neg=1，差1，损失log(1+e^-1)≈.3133。；边界：跨query构造pair没有意义；热门query产生平方级pair支配训练。。
对象：跨特征尺度需要训练期统计；缺失应有语义，质量/新鲜度等可施加单调先验。；公式：z=(x−μ_train)/σ_train。；算例：训练μ=10、σ=2，线上x=14得到z=2；不能用线上批次重算μ。；边界：缺失填0却0是有效值；树模型分裂方向让质量越高分越低。。
对象：未点击不等于不相关；负例需结合曝光，位置偏置可用随机化或倾向权重校正。；公式：IPS weight=1/P(examined at position)。；算例：第1位检查概率1权重1，第5位检查概率.2权重5；后位点击应得到更大校正权重。；边界：把未曝光文档当负例；小倾向导致巨大方差。。
对象：学习排序需相对强基线做特征组消融、查询切片和稳定性分析，特征重要性不是因果。；公式：ablation_gain=M_full−M_without_group。；算例：完整NDCG=.62，去时效特征=.58，该组离线增益.04；仍需在线验证。；边界：只报训练loss；在测试集反复选特征。。