损失函数定义了模型优化什么，选错损失，模型会朝错误方向努力。排序场景中，点式、 Pairwise 与列表式损失各有适用条件，不能随意替换。
点式损失把每个样本独立看待，优化点击概率的交叉熵。它简单稳定，适合预估绝对概率，但对物品间的相对顺序关注不足，头部排序未必精准。
Pairwise 损失关注正负样本对的相对顺序，如 BPR 与合页损失。它更贴近排序目标，能提升区分度，但样本对构造方式影响很大，负采样策略需谨慎设计。
列表式损失直接优化整个列表的排序质量，如 ListNet 与 LambdaRank，常与 NDCG 对齐。效果通常更好，但计算复杂，对实现与调参要求更高。
选择损失要回到业务目标。若需概率校准做计费，点式更合适；若追求列表排序质量，列表式更优。离线评估应使用与损失一致的指标，避免优化与评估脱节。
