為了讓排序模型的優化目標盡量貼近搜索業務指標，需要按照Query計算損失，且不同位置的樣本具有不同的權重。搜索系統常用的指標NDCG(Normalized Discounted Cumulative Gain)相較於Log Loss顯然更貼近搜索業務的要求，NDCG計算公式如下：
累加部分為DCG(Discounted Cumulative Gain)表示按照位置折損的收益，對於Query下的結果列表l，函數G表示對應Doc的相關度分值，通常取指數函數，即G(lj)=2lj-1（lj表示的是相關度水平，如{0，1，2}）；函數 η 即位置折損，一般采用 η(j)=1/log(j+1)，Doc與Query的相關度越高且位置越靠前則DCG值會越大。另外，通常我們僅關注排序列表頁前k位的效果，Zk 表示 DCG@k 的可能最大值，以此進行歸一化處理后得到的就是NDCG@k。
問題在於NDCG是一個處處非平滑的函數，直接以它為目標函數進行優化是不可行的。LambdaRank提供了一種思路：繞過目標函數本身，直接構造一個特殊的梯度，按照梯度的方向修正模型參數，最終能達到擬合NDCG的方法[6]。因此，如果我們能將該梯度通過深度網絡進行反向傳播，則能訓練一個優化NDCG的深度網絡，該梯度我們稱之為Lambda梯度，通過該梯度構造出的深度學習網絡稱之為LambdaDNN。