Pairwise Ranking 成对排序

一句话解释

Pairwise Ranking是一种将排序问题转化为成对分类问题的机器学习方法，通过比较两个样本中哪一个更符合用户偏好来训练排序模型。它不需要预测绝对得分，只关注相对顺序。

为什么会被关注

相比Pointwise方法直接预测分数，Pairwise能更自然地捕捉样本之间的顺序关系，在推荐和搜索场景中效果更优。同时，它的训练复杂度低于Listwise方法，且对标注噪声有一定容忍度，因此成为工业界排序模块的常用选择。

在信息检索和推荐系统中，用户通常只关心列表的先后而非绝对分数，Pairwise的损失函数直接优化排序指标（如NDCG、MRR），让模型更贴近真实业务目标。这也是它被广泛关注的核心原因。

核心逻辑

给定一对样本（例如商品A和商品B），模型预测它们之间的相对顺序，通常通过成对损失函数（如Hinge Loss或交叉熵）进行优化，使正例（更优样本）的得分高于负例。训练数据只需标注相对顺序，无需绝对分数，这降低了数据标注成本。

在具体实现中，模型输出每个样本的分数，然后通过Sigmoid或Softmax将分数差异映射为概率，再与真实顺序标签计算损失。经典算法如RankNet、LambdaRank都基于这一逻辑，并通过梯度优化提升排序性能。

常见场景

搜索引擎的结果重排序：用户输入查询后，Pairwise模型对候选文档进行两两比较，重新排列结果以提升相关性。电商推荐中的商品排序：根据用户历史行为，对比不同商品相对购买概率，生成个性化列表。

视频/新闻流个性化排序：对内容候选进行成对偏好判断，优化用户后续点击与停留时间。广告点击率预估中的排序模块：通过Pairwise Loss训练排序模型，提升广告位竞价的效率与收益。

容易混淆的点

常与Pointwise Ranking混淆：Pointwise预测每个样本的绝对分数（如0-1评分），而Pairwise只关注相对顺序。两者训练目标和损失函数不同，后者在排序任务中通常表现更好。

也易与Listwise Ranking混淆：Listwise一次性优化整个列表的顺序，考虑列表级别的损失（如NDCG），而Pairwise只处理样本对。Listwise效果更优但计算更复杂，Pairwise在效率和效果间取得了较好平衡。