機器學習在電商領域三大應用，推薦，搜索，廣告中商品排序

1、業務角度
一般是在一個召回的商品集合里，通過對商品排序，
追求GMV或者點擊量最大化。
基於一個目標，如何讓流量的利用效率最高。
很自然的，如果我們可以准確預估每個商品的GMV轉化率或者
點擊率，就可以最大化利用流量，從而收益最大。
2、技術服務於業務，模型本身的迭代需要配合業務目標才能發揮出
最大的價值，因此選擇模型迭代的路線，必須全盤考慮業務。
3、在點擊率預估領域，常用的是有監督的模型，其中樣本，特征，模型
是繞不開的問題。
4、首先，如何構建樣本，設計模型的目標函數是什么，即要優化什么。
原則上，我們希望樣本構建越接近真實場景越好。比如點擊率模型
常用用戶行為日志作為樣本，曝光過沒有點擊的日志是負樣本，
有點擊的是正樣本，去構建樣本集，變成一個二分類。
在另一個相似的領域-----learning to rank,樣本構建方法分為3類：
pointwise,pairwise,listwise.
5、pointwise范疇，即每一條樣本構建時不考慮與其他樣本直接的關系。
真實的場景中，往往需要考慮其他樣本的影響，比如去百度搜一個關鍵字，
會出來一系列的結果，用戶的決策會受整個排序結果影響。
6、pairwise做了一點改進，它的樣本都是pair對組成，比如電商搜索下，
商品a和商品b可以構建一個樣本，如果a 比 b好，
樣本pair{a,b}是正樣本，否則是負樣本。
當然，這會帶來新問題，比如a>b,b>c,c>a這個時候怎么辦?
7、而listwise就更接近真實，但復雜性也隨之增加，工業界用的比較少
這里不做過多描述，理論上，樣本構建方式listwise>pairwise>pointwise
但實際應用中，不一定是這個順序。
如，你在pointwise的樣本集下，模型的fit情況不是很好，比如auc不高，
這個時候上pairwise，意義不大，更應該從特征和模型入手，
一開始就選擇pairwise或者Listwise，並不是一種好的實踐方式
8、其次是模型和特征，不同模型對應不同的特征構建方式，比如廣告
的點擊率預估模型，通常就有兩種組合方式，采用大規模離散特征+logistic
regression模型或種小規模特征+復雜模型。