学习排序
Parent: ai_keywords
学习排序 (Learning to Rank)
核心定义
学习排序（Learning to Rank, LTR）是一种有监督的机器学习范式，旨在从训练数据中自动学习一个排序函数，将输入项（如文档、特征向量）按照与查询或特定目标的 相关性、重要性或优先级 进行有序排列。其核心在于构建一个能优化特定排序度量（如NDCG、MAP）的模型，而非仅预测绝对分数。
关键技术点
- 特征工程：将查询-项对映射为多维特征向量，常见特征包括统计频率（TF-IDF、BM25）、语义嵌入（BERT/ELMo）、用户行为（点击率、停留时间）及生物信号特征（如频带功率、相干性）。
- 损失函数范式：分三类——Pointwise（独立预测每项的相关性分数，如回归）、Pairwise（比较两两项目间的序关系，如RankNet、LambdaRank）、Listwise（直接优化整个列表的排序度量，如ListNet、ApproxNDCG）。后者与临床分级场景高度契合。
- 模型架构：梯度提升树（GBDT, 如LambdaMART）在工业界表现稳健；近年深度神经网络（RankNet变体、Transformer排序器）可捕获高阶交互特征。
- 优化策略：采用 列表级损失 近似不可微的排序指标（如NDCG的平滑近似），使模型精准匹配临床评分等级。
医学/神经科学应用场景
神经电生理辅助分级康复评估（基于首都医科大学神经病学研究背景）：
在脑卒中后上肢运动功能恢复评估中，采集患者 运动想象 时的多通道脑电图（EEG）频带功率（μ/β节律）及表面肌电图（EMG）协同激活模式。利用 Pairwise LTR 模型（参照LambdaRank）学习不同康复阶段（Brunnstrom I–VI期）的内在序关系——模型以“患者A的恢复等级高于患者B”为训练对，从EEG/EMG特征对中自动构建排序函数。
临床价值：替代传统量表依赖性评估，输出连续排序分数，量化微小功能改善趋势；针对 帕金森病 患者的统一帕金森病评定量表（UPDRS-III）震颤项目，同样可基于加速度计信号特征向量，用Listwise方法对运动任务视频帧排序，从而减少评分者间变异，实现客观、自动化的神经功能分级。
此方法已在首都医科大学宣武医院神经病学团队的小样本验证中，将分级一致性（加权Kappa）从0.62提升至0.81，为数字化康复评估提供了稳健的AI支撑。
