Раздел машинного обучения, в котором модель обучается упорядочивать список кандидатов, а целевой величиной служит порядок, а не отдельная оценка каждого объекта.
Обычная модель регрессии предсказывает число для одного объекта. Чтобы релевантный документ оказался выше нерелевантного в пределах одного запроса. Поэтому обучение строится на группах: один запрос и его кандидаты с метками релевантности. Три классических подхода различаются тем, что модель сравнивает: pointwise оценивает объекты по отдельности, pairwise учится на парах «этот выше того», listwise оптимизирует качество всего списка целиком.
Промышленные системы обычно используют градиентный бустинг деревьев или нейросетевые модели. Именно этот слой объединяет лексику, семантику, поведение, качество и доверие в одно число, по которому строится порядок. Главного фактора нет, есть обученные веса на множестве признаков.
Читать: From RankNet to LambdaRank to LambdaMART: An Overview; Обучение ранжированию в XGBoost; AI-Powered Search