Loss Functions & Objectives: 解释 ranking loss（pairwise / listwise）与它在检索排序中的应用。

Core Concept: pointwise 独立打分、pairwise 优化样本对顺序、listwise 直接优化整个列表的排序指标；检索常用 pairwise/listwise。

数学机理：排序损失按'一次考虑多少样本'分三层。<strong>Pointwise</strong>：把每个查询-文档对当作独立分类/回归问题（如 CE、MSE），<strong>完全忽略样本间的相对顺序</strong>；虽然简单，但优化目标与'排序质量'不一致（模型可能把所有分数整体偏移而不改变顺序）。<strong>Pairwise</strong>：对每个（正例，负例）对施加约束'正例得分应高于负例'，如 hinge（Ranking SVM）或 logistic（RankNet：−log σ(s₊−s₋)）。数学上，pairwise logistic loss 的求和等价于<strong>优化 AUC 的可微代理</strong>（因为 AUC = P(s₊>s₋)，其可微近似正是 σ(s₊−s₋) 的形式）。<strong>Listwise</strong>：直接对整个列表建模，如 ListNet 用 softmax 把得分转成概率分布、与目标分布算 CE；<strong>LambdaRank</strong> 更进一步，用 λ 梯度：∂C/∂s_i = −Σ_j |ΔNDCG_ij|·(1/(1+e^{s_i−s_j}))，其中 <strong>|ΔNDCG_ij|</strong> 是'交换文档 i 与 j 后 NDCG 的变化量'——这把<strong>不可微的 NDCG 指标</strong>直接嵌入梯度权重，是'指标导向优化'的经典技巧。

深度剖析与工程权衡：① <strong>pointwise 何时够用</strong>——若训练目标是'分数校准'（如 CTR 预估需真实概率），pointwise CE 是正确选择；若目标是'排序质量'（如搜索/推荐列表），pairwise/listwise 更对齐。这是'损失应与下游使用方式一致'原则的体现。② <strong>负样本采样</strong>——pairwise 的训练量随正负样本对数增长，需采样；常用'每个正例配 1~N 个负例'，且负例质量（随机 vs 半难）显著影响效果。③ <strong>在稠密检索中的应用</strong>——DPR 用 in-batch negatives + 一个 hard negative 做 InfoNCE（本质是 listwise）；ColBERT 用 MaxSim + pairwise 蒸馏；这是检索领域的主流范式。④ <strong>与对比学习的关系</strong>——InfoNCE 是 listwise 的一个特例（1 正 N 负的 softmax）；理解这条联系可统一回答'排序损失'与'对比损失'两类问题。⑤ <strong>多模态检索的实践</strong>——用户项目中的多模态检索（文本-图像）用 CLIP 式 InfoNCE（listwise）；关键工程点是负样本构造、温度、以及<strong>假负样本去偏</strong>（同一商品的多个视角不应互为负样本）。⑥ <strong>面试要点</strong>——被问'如何训练一个排序模型'，应能按'目标（校准 vs 排序）→ 损失（pointwise/pairwise/listwise）→ 负样本策略'三层展开，并提到 LambdaRank 把 NDCG 嵌入梯度这一技巧。