核心要点
两阶段：倒排（BM25）+ 向量混合召回 → L2R 模型精排
L2R 三种范式：pointwise（回归）/pairwise（RankNet）/listwise（LambdaMART）
核心特征是 query-doc 相关性 + 用户点击行为（含位置偏置纠偏）
离线用 NDCG/MAP/AUC，线上看点击率/首位点击/会话满意度并 A/B
标准回答
需求与指标
搜索要在「相关」与「用户满意」间平衡。离线用 NDCG/MAP 评排序质量，线上看 CTR、首屏点击率、改写率/无结果率，全部 A/B 验证。
整体架构
召回 → 精排（L2R）→ 重排。先用倒排（BM25/TF-IDF）+ 向量检索（语义召回，ANN，如 Qdrant）做混合召回取回候选，再用排序模型精排。
召回
文本侧倒排匹配解决精确/字面相关，向量侧解决语义相关，两路混合（Hybrid Search）提升召回完整性，必要时用 query 改写/纠错扩展。
排序（Learning to Rank）
三种范式：pointwise 把排序当回归/分类（预测单条相关度）；pairwise 学文档对的相对顺序（RankNet）；listwise 直接优化列表指标（LambdaMART/LambdaRank 对齐 NDCG）。工业界常用 GBDT（LambdaMART）或深度模型。
特征
query-doc 相关性（BM25、语义相似度、term 匹配）、文档质量（权威性/时效性）、用户行为（历史点击、点击率统计）、上下文。点击日志做训练标签时需做位置偏置纠偏。
评估与上线
离线 NDCG/MAP/AUC，线上 A/B 看点击与满意度指标，灰度放量并监控。
常见误区
⚠️ 常见踩坑
直接用原始点击当相关性标签而忽略位置偏置（排在前面的天然更易被点）；以及只做语义召回不做字面倒排，导致精确查询（如型号、人名）召回不准。
追问
追问 1：pointwise、pairwise、listwise 各自的优劣？
pointwise 简单、可直接复用分类回归框架，但忽略文档间相对关系；pairwise 建模文档对顺序，更贴合排序本质，但对噪声对敏感且没全局视角；listwise 直接优化列表级指标（如 NDCG），效果通常最好但实现复杂、训练成本高。工业界 LambdaMART 是 listwise 的常用落地。
追问 2：点击日志做标签有什么坑，如何纠偏？
主要是位置偏置（position bias）和曝光偏置：用户更易点击靠前的结果，点击多不代表更相关。可用 examination 模型或 IPW（逆倾向加权）对点击做纠偏，或用交换实验/随机打散少量流量估计位置倾向，得到更无偏的相关性信号。
追问 3：语义召回和倒排召回如何融合？
即 Hybrid Search。常见做法是两路各自取候选，用 RRF（倒数排名融合）或加权分数融合排序，再交给精排。倒排保字面精确性、向量保语义泛化，融合后召回更全；权重可按 query 类型（导航型 vs 探索型）动态调整。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
🛠️ AI 工具
- qdrant
高性能向量数据库，6.3K+ stars。高性能、大规模向量数据库和向量搜索引擎，支持相似度检索和语义搜索