1 为什么要引入 LTR？
常规检索（BM25、语义检索、Hybrid、RRF …）往往只能基于少量信号（关键词命中、向量相似度）排序。
Learning-to-Rank 通过机器学习模型把多维度特征（文档属性、查询属性、查询-文档相关特征）融合为一个“最终得分”，在 Top-K 结果里做二阶段重排，可显著提升业务相关性。
经典场景：
| 场景 | LTR 作用 |
|---|---|
| 电商搜索 | 同时考虑 BM25、销量、库存、价格区间、点击率等特征，综合排序 |
| 内容推荐 / 新闻 | 结合阅读时长、作者权重、文本相似度、用户画像特征做重排 |
| RAG 检索 | 首阶段召回数百段文本，再用 LTR 精排 20 段注入 LLM，显著降低幻觉 |
1.1 Judgment List（标注集）
-
内容：<query, doc_id, relevance_label>
-
来源：人工标注 / 点击转化日志（加权采样）
-
平衡性：
- 各查询类型（标题、演员、品牌…）样本数要均衡
- 正负样本比例适当（例如 1:4），防止模型倾向“认为全是相关”
1.2 特征工程
| 类型 | 示例 | 作用 |
|---|---|---|
| Document 特征 | 价格、评分、发布时间 | 反映文档本身属性 |
| Query 特征 | 词数、是否包含数字 | 反映查询意图 |
| Query–Doc 特征 | match 分数、向量相似度 | 关联度核心指标 |
在 ES 中用 templated query 把一段 DSL 转成特征抽取器，既用于离线生成训练集，也用于线上推理。
[{"query_extractor": {"feature_name": "title_bm25","query": { "match": { "title": "{{query}}" } }}},{"query_extractor": {"feature_name": "price_norm","query": { "script_score": { "script": "doc['price'].value / 1000" } }}}
]
2 训练 LTR 模型（LambdaMART）
-
生成训练 TSV/CSV
relevance qid:123 1:title_bm25 2:price_norm 3:clicks ... -
XGBoost/LGBM 训练
- Objective 设为
rank:pairwise或rank:ndcg - 评估指标：nDCG@10、MAP 等
- Objective 设为
-
导出模型 (
model.json)
📦 eland 工具一键上传：
eland_import_hub_model --url $ES --model_id my_ltr --task text_similarity --model_path model.json
3 在 Elasticsearch 中部署 reranker
POST _inference/_deployments
{"inference_id": "my-ltr-reranker","task_type": "text_similarity","model_id" : "my_ltr"
}
4 检索 + LTR 二阶段重排示例
POST /products/_search
{"size": 10, // 最终返回 10 条"retriever": { // Stage-1 召回"rrf": {"retrievers": [{ "standard": { "query": { "match": { "title": "wireless headset" } }, "k": 100 } },{ "standard": { "query": { "semantic": { "field": "semantic_text", "query": "wireless headset" } }, "k": 100 } }]}},"reranker": { // Stage-2 LTR"text_similarity_reranker": {"model_id": "my-ltr-reranker","field": "{{{features}}}", // 模板内包含多特征拼接"max_passages": 10}}
}
- retriever：先用 Hybrid + RRF 召回 100 条文档
- text_similarity_reranker：调用 cross-encoder LambdaMART 模型重新排序
返回字段 _rank 即为 LTR 排名，_score 为 LTR 预测分。
5 常见问题与优化
| 症状 | 排查 & 建议 |
|---|---|
| 模型上传失败 | 确保 task_type 设置为 text_similarity；XGBoost 转 eland 时指定正确输入维度 |
| 线上 QPS 降低 | rerank 仅对 Top-K 做，K 建议 ≤ 100；可横向扩容 inference 节点 |
| 未见提升 | 检查 judgment list 质量、正负样本比例；确认特征覆盖业务逻辑点 |
| 特征与线上不一致 | 保证离线特征模板与线上 query_extractor 完全相同；可在模板中打印 debug 字段 |
6 小结
- Judgment list → Feature → GBDT 训练
- eland 上传模型 → Inference Endpoint
- Retriever 首召回 + LTR rerank 单请求搞定
借助 Elasticsearch 9.x 内置的 text_similarity_reranker，你无需改动索引结构，即可把成熟的 LambdaMART/XGBoost 排序模型接入查询链路，在百毫秒级实时重排 Top-K 结果，轻松获得更贴近用户意图的搜索体验 🚀
