Features-Rerank-LLM

[yanqiangmiffy]

https://github.com/NLPJCL/RAG-Retrieval/tree/master/rag_retrieval

[yanqiangmiffy]

https://blog.csdn.net/lipengcn/article/details/80373744
学习排序 Learning to Rank：从 pointwise 和 pairwise 到 listwise，经典模型与优缺点

https://zhuanlan.zhihu.com/p/111636490
Learning to Rank： pointwise 、 pairwise 、 listwise

[yanqiangmiffy]

Pairwise 方法
简介:

Pairwise 方法关注文档之间的相对顺序。它将排序问题转化为二分类问题，预测两个文档的相对顺序。
特点:

训练数据：每个训练样本是一对文档，并且有一个关联的标签，表示哪个文档应该排在前面。
优化目标：最小化错误排序的数量（例如，通过 hinge loss 或 logistic loss）

[yanqiangmiffy]

Pointwise 方法
简介:

Pointwise 方法将排序问题转换为回归或分类问题。它关注单个文档与查询的相关性得分。
特点:

训练数据：每个训练样本是一个查询-文档对，并且有一个关联的相关性得分（或标签）。
优化目标：最小化预测得分与实际相关性得分之间的差异（例如，通过均方误差或交叉熵损失）

[yanqiangmiffy]

Listwise 方法
简介:

Listwise 方法直接优化整个文档列表的排序。它考虑整个查询-文档列表，并根据排序结果进行优化。
特点:

训练数据：每个训练样本是一个查询及其对应的文档列表，以及整个列表的相关性得分（或排名）。
优化目标：直接优化排序指标（如 NDCG、MAP），通过定义在整个列表上的损失函数来实现。