RandNet的基本思想

RankNet是一种Pairwise的Learning to Rank算法。

RankNet方法就是使用交叉熵作为损失函数，学习出一些模型（例如神经网络、决策树等）来计算每个pair的排序得分，学习模型的过程可以使用梯度下降法。

方法流程

首先，我们要明确RankNet方法的目的就是要学习出一个模型，这个模型就是给文档算法的函数f(d)。其中d为文档特征。

哪一个网页与搜索更相关

网页u比第网页v与搜索更相关的的概率：

交叉熵作为损失函数。

我们知道，在机器学习中，一般来说，要训练，就要有个Loss Function，来衡量当前模型与Training Set的Loss，也就是差距，然后训练的过程就是把Loss不断减少的过程。

梯度下降法更新迭代求最优的网络模型

最后我们说一下RankNet算法的一大好处：使用的是交叉熵作为损失函数，它求导方便，适合梯度下降法的框架；而且，即使两个不相关的文档的得分相同时，C也不为零，还是会有惩罚项的。

引用http://blog.csdn.net/puqutogether/article/details/42124491
引用http://blog.csdn.net/orthocenterchocolate/article/details/43203891