目前公司在本地服务相关的领域进行探索，涉及到搜索排序相关的问题。相较于传统搜索，本地服务（尤其餐饮）的搜索排序问题较为特殊，由于用户的购买随机性较强，同时距离、时间、类目、评价等因素对用户的影响较大。例如因为时间成本，用户趋向于考虑离自己较近的店铺；另外不同的时间段，用户选择重点也有所不同，正午和晚上对正餐的需求量较大，而在下午三四点则对甜品、饮料的需求更大一些。
早期我们在商户排序问题上采用人工制定的规则来进行排序，引入了距离、评分、上架时间等因素，针对不同的区间段设置不同的分值，根据公式计算出总的分值，以此进行排序。这个方法的好处是实现简单，解释性强，容易控制，不存在冷启动的问题。
随着签约店铺的增多，需要加入的特征逐步增多，人工的打分机制也不能保证完全合理，同时维护升级也比较麻烦。如何通过有效的排序机制将优秀、合适的商户展现给用户，提高订单转化率成为平台比较核心的问题。
在上述基础上，我了解了一些Learning to rank相关的排序机制，在此做简单的记录：
背景：
传统的检索模型采用人工拟合排序公式，通过用户数据反馈确定最佳的参数组合，以此不停的优化相关性打分函数。而随着影响相关度的参数逐步增多，传统的打分机制逐渐不能满足这方面的要求。而机器学习更适合采用很多特征来进行公式拟合，最合理的排序公式由机器学习（Machine Learning）获得，因此考虑采用learning to rank（此处的learning取自Machine Learning）。learning to rank可以分为以下三大类:
pointwise（单文档方法）、pairwise（文档对方法）、listwise（文档列表方法）
相比于pairwise和listwise两种方法, pointwise 比较容易和其它控制项叠加，适用于多维度优化目标的问题。因此pointwise广泛应用于团购平台和外卖平台的排序问题。在应用中， pointwise方法会对所有的候选结果给出一个统一标准的分值，并根据分值进行排序。
pointwise处理对象是单一文档，整个流程分为三部分：提取特征做训练；分类算法学习；测试query排序。
将文档转化为特征向量后，主要是将排序问题转化为机器学习中常规的分类或回归问题。以多类分类为例：下图是人工标注的部分训练集合，每个文档采用三个特征：查询与文档的BM25相似度，查询与文档的cosin相似度，以及页面的PageRank值，query与di的相关性是多元的，label分为 5个等级，即{perfect，Excellent，good，fair，bad}。于是，产生了5个具有label的训练实例，然后可以使用机器学习的任一种多类分类算法进行学习，比如最大熵，支持向量机等。
当模型参数学习完毕后，之后就可利用模型进行相关性判断，对新的查询和文档，通过模型的打分函数可以得到一个数值，利用该数值即可对文档进行排序了。
更多智能排序相关问题可参考《这就是搜索引擎:核心技术详解》
