Lernen von Rangfolgen (Learning to Rank)
Definition
Learning to Rank trainiert Modelle darauf, Elemente für eine Anfrage oder Situation in eine sinnvolle Reihenfolge zu bringen.
Ansätze optimieren punktweise, paarweise oder listenweise Rankingziele. Trainingsdaten können Relevanzurteile oder Nutzersignale enthalten.
Einfach erklärt
Wie nicht nur passende Treffer zu finden, sondern die besten zuerst anzuzeigen.
Warum das im Alltag wichtig ist
Relevant für Suche, Empfehlungen und RAG-Reranking.
Beispiel aus dem Mittelstand
Eine interne Suche lernt aus geprüften Relevanzurteilen, welche Dokumente bei bestimmten Suchanfragen höher ranken sollen.
Grenzen und Fallstricke
- Klickdaten als unverzerrte Relevanz behandeln; Rankingmetrik nicht definieren; Train/Test-Anfragen leaken.
Entstehung & Geschichte
Learning to Rank wurde in Websuche und Information Retrieval ab den 2000ern intensiv entwickelt; Methoden wie LambdaRank/LambdaMART wurden breit eingesetzt.
Anwendung im Mittelstand
- Mögliche Anwendung im Mittelstand: Suchergebnisse mit realen Relevanzurteilen und NDCG/MRR verbessern.
Häufige Fragen
Ist LTR dasselbe wie Klassifikation?
Nein, Ziel ist eine Rangfolge. Welche Daten braucht man? Relevanz- oder Präferenzsignale.
Quellen
- From RankNet to LambdaRank to LambdaMART · Burges (2010), From RankNet to LambdaRank to LambdaMART
- Ergänzender Primärbeleg · Ergänzender Primärbeleg
Quellenprüfung: 10./12.10.2026.
Redaktionell geprüft am: