引入
lambdamart是什么呢？ 无非是 lamda + mart. lambda 和 mart又是什么呢？
lambda
大师强制定义的梯度。含义是：指明下一次移动的方向和强度。
为什么有上面含义呢？
先上一盘公式，瞅一眼：
公式浅层理解
这个公式很显然是一个负数，肯定是个负梯度，我们知道负梯度肯定是使损失函数下降的方向，用这个公式，肯定回事损失函数降低，不会升高，所以可以放心的用，但是我们想想公式定义的这么繁琐，难道没有点其他的事情要搞吗？要不然对的起如此繁琐的公式？？？
公式深层理解
当然了， 真正的物理的意义远远远远远远超出了上面分析的简单的方向。
我们看公式的第一个部分：
这一部分是Ranknet损失函数梯度，那么让我先看下RankNet损失函数含义，然后再回看这个梯度。
Ranknet
Ranknet是一个人
这个人认为 query-url的相关性是一个分数来度量。 score(q-u1) > score(q-u2) ,则q下，u1的相关性大于u2.
那么他认为只要算出了这个分数score(q-ux) ， 就能知道了所有u的相关性，且大小都用分数来度量。
那么如何求这个分数?
作为资深数据挖掘专家，他的想法很牛逼，他不去直接去学习每个文档的相关性， 而是去比较两个文档的相关性， 他认为：
P(u1 > u2) = 1； P(u1 == u2) = 0.5； P (U1<u2) =0
所以 1， 0 , -1 就是学习的label。 即不同文档比较下的相对相关性。
那么我们如何学习这种比较下的相对相关性呢？也就是 【要学的公式 】 是啥？
有了这个公式，我们就能量化，两个不同文档的，相比较下相关性强弱。
如果score(u1) > score(u2) , 那么我们就希望 P12 = 1， 在上面sigmod函数中，其实就是越靠左越好（接近1）。
如果score(u1) < score(u2) , 那么我们就希望 P12 = -1， 在上面sigmod函数中，其实就是越靠右越好（接近0）。
如果score(u1) = score(u2) , 那么我们就希望 P12 = -1， 在上面sigmod函数中，其实就是越靠中间越好（接近0.5）。
为此：
我们无非就是学 Pij ， 使其与真时的label一致。 那么这里我们用【交叉熵损失函数】：
然后用【梯度下降】求解：
这样有没有问题？？
RankNet的优化方向为降低pair-wise error，并不关心最相关的doc是否排在最前面
RankNet优化过程可能如图所示
左边的doc list共有13个pair-wise error，右边共有11个pair-wise error RankNet可能会进行从左到右的“优化”
优化右边的doc list时，RankNet的梯度大小类似于黑色箭头， 而我们更需要红色箭头那样的梯度大小。
为什么ranknet不能做到红色剪头效果呢？
ranknet是想做的是让不同的结果打出不同的分数，不同的分数可以比较相关性强弱就行，我比你强，那么我的分数就要比你大 ，哪怕只是大一点点点点都行。那么在这种情况下，我们在理解下ranknet的损失函数，他并不关心线上的顺序，他只是给每个结果算出仅仅能够表示强弱的分数即可，只要能让损失降调最小。
而红色部分不一样，他不仅考虑到了上面强弱，还考虑到了位置信息，每一次迭代都朝着对整体排序效果有利的方向前进。
OK，以上是Ranknet部分，回到上面部分，我们再看lambda第一部分：
就是ranknet的损失函数，优点是通过降低损失减少逆序对，缺点是调序的盲目性，未考虑到topk的相关性逐渐减弱。
再看公式的第二部分：
第二部分其实就是质量评价指标，
DCG是：
回到上图，比较左右两个排序结果的dcg指标：
可以看到根据dcg指标，从左到右进行的是“负优化”。说明了，dcg是变小了， 变化是个负数，也就是按照ranknet优化后，前k个相关性顺序并不对。所以这里我们会选择变化最大的dcg做为梯度。然后进行后面的树拟合。
dcg变化最大的，当往好处变时，dcg会变大，越好会越大。
然后用dcg * ranknet损失函数，就能代表了，红色剪头方向和强度。 后面我们就用回归树拟合dcg * ranknet。得到当前的数。
lambdamart理解
1. 每次迭代都会算出的lambda * ndcg，表示 调整每个结果所带来的对梯度下降的影响以及对整体的影响
2. 基于算出的梯度值y值，我们接下来会用树进行拟合，实际上这个过程就将梯度值差不多的样本放到了同一个叶子节点上。
3. 这就说明了同一个叶子节点上这些样本变化时，对整个loss下降贡献差不多，因为他们就是同一类的，至少相关性是差不多的。
4. 而loss下降贡献越大，也就是某个叶子节点上的整体值越大，表示这个样本越相关，因为对调序带来的影响越大。
6. 特征好坏，主表现在能否将不同级别的相关性结果，分别放到自己级别对应的相关性节点上，如
果能放到，那么这个节点的输出值（如平均值），则更能代表这个级别的相关性值。那么最后梯度就会降的更低（因为叶子节点上的每个值大小都差不多，所以损失误差就最小）。而不好的特征，则分不开。
7. 每个样本计算lambda 或者 ndcg的变化，是将上一轮树中叶子节点中属于该query的所有结果，组成list计算的， 计算后的值就是新的梯度，作为下一轮训练树该样本的y值。而每轮训练回归树的时候，是跨query的，将所有的样本按照特征分裂到不同的树。当迭代数轮后，每个叶子节点都有属于不同query的样本，分到同一个叶子节点，同一个query下的url，其相关性是相同的。
