排序学习研究如何直接优化排序质量，与把排序当回归或分类的做法不同。按建模对象可分为 Pointwise、Pairwise 和 Listwise 三类，各有适用场景。
Pointwise 把每个样本独立打分，点击率预估就是典型。它实现简单、样本利用率高，但没有显式建模物品之间的相对顺序，排序损失与训练目标不完全一致。
Pairwise 把同一请求下的物品两两比较，学习“ A 应排在 B 前”。它直接优化相对顺序，适合排序评估指标关注顺序的场景，但样本对数量随列表长度平方增长，计算开销大。
Listwise 把整个列表作为输入，直接优化列表级指标或分布。理论上最贴近排序目标，但实现复杂，对列表长度和样本构造要求高，工业界应用相对少。
实践中点击率预估加融合排序仍是主流，Pairwise 损失常作为精排的补充。选择方法要看数据规模、延迟约束和评估口径，不必盲目追求理论优雅。
