摘要
推荐系统已成为现代信息过滤不可或缺的基础设施，XGBoost 等梯度提升框架在其中展现出强大的竞争力。尽管深度学习方法在文献中占据主流，树模型在稀疏数据和表格特征场景下依然不遑多让。本文以 XGBoost 为基学习器，对排序学习（Learning-to-Rank）的三种范式——逐点法（pointwise）、配对法（pairwise）和列表法（listwise）——进行系统性的对比实验。我们在 MovieLens 100K、Amazon Electronics 和 Yelp 三个公开数据集上，以 NDCG、MAP、MRR 等排序指标评估各方法的性能。实验表明，基于 LambdaRank 的列表法在排序质量上始终优于逐点法和配对法，但计算开销更大。配对法在性能与训练速度之间取得了良好的平衡；逐点法虽然简单，在 top-k 推荐任务中明显落后。本文对每种方法的损失函数、实现细节和超参数敏感性进行了详尽分析，为在生产环境中部署 XGBoost 推荐系统提供实用的选型指南。
1. 引言
个性化推荐是电商、流媒体和社交平台的核心能力。其本质挑战在于：依据用户的隐式或显式反馈，将候选物品按相关性排序。排序学习（LTR）算法为直接优化排序指标提供了理论框架。其中，梯度提升树（GBT）在工业界久负盛名——尤其在表格特征为主、模型可解释性要求高的场景下。
XGBoost（Chen & Guestrin, 2016）是可扩展的 GBT 实现，曾横扫各大机器学习竞赛，也被广泛用于线上推荐管线。它原生支持自定义目标函数，天然适合探索不同的 LTR 范式。然而，现有对比研究要么聚焦深度学习模型，要么只涉及单一范式，缺乏在同一基学习器（XGBoost
