1、业务角度
一般是在一个召回的商品集合里，通过对商品排序，
追求GMV或者点击量最大化。
基于一个目标，如何让流量的利用效率最高。
很自然的，如果我们可以准确预估每个商品的GMV转化率或者
点击率，就可以最大化利用流量，从而收益最大。
2、技术服务于业务，模型本身的迭代需要配合业务目标才能发挥出
最大的价值，因此选择模型迭代的路线，必须全盘考虑业务。
3、在点击率预估领域，常用的是有监督的模型，其中样本，特征，模型
是绕不开的问题。
4、首先，如何构建样本，设计模型的目标函数是什么，即要优化什么。
原则上，我们希望样本构建越接近真实场景越好。比如点击率模型
常用用户行为日志作为样本，曝光过没有点击的日志是负样本，
有点击的是正样本，去构建样本集，变成一个二分类。
在另一个相似的领域-----learning to rank,样本构建方法分为3类：
pointwise,pairwise,listwise.
5、pointwise范畴，即每一条样本构建时不考虑与其他样本直接的关系。
真实的场景中，往往需要考虑其他样本的影响，比如去百度搜一个关键字，
会出来一系列的结果，用户的决策会受整个排序结果影响。
6、pairwise做了一点改进，它的样本都是pair对组成，比如电商搜索下，
商品a和商品b可以构建一个样本，如果a 比 b好，
样本pair{a,b}是正样本，否则是负样本。
当然，这会带来新问题，比如a>b,b>c,c>a这个时候怎么办?
7、而listwise就更接近真实，但复杂性也随之增加，工业界用的比较少
这里不做过多描述，理论上，样本构建方式listwise>pairwise>pointwise
但实际应用中，不一定是这个顺序。
如，你在pointwise的样本集下，模型的fit情况不是很好，比如auc不高，
这个时候上pairwise，意义不大，更应该从特征和模型入手，
一开始就选择pairwise或者Listwise，并不是一种好的实践方式
8、其次是模型和特征，不同模型对应不同的特征构建方式，比如广告
的点击率预估模型，通常就有两种组合方式，采用大规模离散特征+logistic
regression模型或种小规模特征+复杂模型。