这章来介绍一下如何评估你搜索以后的结果好坏呢？从而定义算法优化的方向。对于比较粗糙的评估方法如下。$$P=\frac{检索出相关文档数}{检索所有文档数} \\R=\frac{检出相关文档数}{数据库中相关文档数}$$看着形式是不是很熟悉，就是经常看到的准确率和召回率。下面形式化的表达出来。a表示被检索出的与查询相关的 文献数量;b表示被检索出的与查询无关的文献数量;c表示与查询相 关，但是没有被

排序学习是搜索、推荐、广告的核心方法。排序结果的好坏很大 程度上影响到用户体验，甚至会影响到广告收益。常规的排序模型存 在一些问题，如调整参数困难，通过给定的一个测试集合来比较模型 是否过拟合很困难等。而机器学习解决了这些问题，因为其可以自动 调整参数。更重要的是，它可以通过规范化来避免数据过拟合。传统的检索模型靠人工来拟合排序公式，并通过不断地实验确定 最佳的参数组合，以此构成相关性打分函数。机

RankNet是一种pairwise的排序方法，它将排序问题转换为比较$<d_{i},d_{j}>$对的排序概率问题，即比较$d_{i}$排在$d_{j}$前面的概率。RankNet提出了一种概率损失函数来学习排序模型，并通过排序模型对文档进行排序。这里的排序模型可以是任意对参数可微的模型，如增强树、神经网络等。