LambdaRank对齐优化目标与评估指标

RankNet优化的是”文档对排序错误的数量”，但业务真正关心的评估指标（如NDCG）更看重头部排序质量——两者目标不一致，导致模型优化方向和实际评估方向出现偏差：一次调整可能减少了错误对总数，却让最靠前的关键文档排名下降。LambdaRank的解法不是重新设计损失函数再求梯度，而是反过来直接定义梯度本身，把评估指标的变化量（如交换两个文档位置引起的|ΔNDCG|）作为权重乘进梯度里，让模型的每一步更新天然向着”评估指标提升最多”的方向走。这提示一个更通用的做法：当损失函数和评估指标存在结构性错位时，与其间接地改损失函数形式，不如直接把评估目标注入梯度本身。