学习排序把排序问题转化为监督学习问题，按损失函数可分为 pointwise、pairwise 和 listwise 三类，选择哪类取决于标注数据的形态。
Pointwise 把每个样本当作独立分类或回归问题，预测点击概率再排序。它实现简单、数据利用率高，但忽略了样本之间的相对顺序信息。
Pairwise 关注样本对的相对顺序，典型代表是 RankNet 和 LambdaRank。它把排序转化为 pairwise 分类，更贴近排序目标，但训练复杂度随样本对数量增长。
Listwise 直接把整个列表作为优化对象，如 ListNet 和 LambdaMART。它能建模列表内部的相互影响，通常效果最好，但实现和调参也更复杂。
实际选型要看业务：数据量大且标注稀疏时 pointwise 更实用；追求排序质量且有充足曝光数据时，LambdaMART 这类 listwise 方法往往是首选。
