排序主要的三种损失函数：pointwise、pairwise、listwise
一、单点法（Pointwise）
Pointwise 完全从单文档的分类角度计算，没有考虑文档之间的相对顺序，因此无法区分不同正样本或负样本之间的相关性。
损失函数中没有引入url排序的位置信息，可能导致过多强调那些排序在后面对用户体验影响小的结果。
二、配对法（Pairwise）
使用的是两文档之间相关度的损失函数，与真正衡量排序效果的指标（如NDCG）之间存在很大差异，甚至可能是负相关的。
只考虑了两个文档的先后顺序，没有考虑文档在搜索列表中出现的位置。
不同的查询，其相关文档数量差异很大，转换为文档对后，学习模型可能会优先考虑文档对数量多的查询，导致对机器学习效果的评价造成困难。
三、列表法（Listwise）
由于NDCG等排序标准在数学形式上“非连续”和“非可微分”，因此不方便计算梯度，无法直接优化模型。故而采用一些折中方案来优化NDCG指标，如交叉熵和ListMLE loss。
交叉熵：分别对模型输出结果pred与label进行softmax，得到rank_logits与label_logits，然后对二者求交叉熵，使pred的结果和label的结果尽可能相似。
ListMLE loss：通过计算重新排序后的logits的概率来计算loss。
一些算法需要基于排列来计算loss，导致训练复杂度较高。
位置信息并没有在loss中得到充分利用。
综上所述，Pointwise、Pairwise和Listwise是排序问题中常用的三种损失函数，它们各有优缺点，适用于不同的场景和需求。在实际应用中，需要根据具体问题和数据特点选择合适的损失函数。
