推薦算法： 百度mobius

論文地址：http://research.baidu.com/Public/uploads/5d12eca098d40.pdf

廣告不同階段優化目標不一致

普通用戶看到的三個階段，曝光-點擊-轉化
背後是一套複雜的召回排序系統

• 召回階段：建立query，可以是用戶的搜索信息，也可以是廣告位的屬性或者上下文信息，這個階段主要考慮相關性
• 排序：根據召回物料預估CTR，排序，找到TopK物料返回
  從原始物料庫到最終呈現給用戶的物料，在數量上表現爲倒三角的關係
  

下面例子是一個比較成功的呈現

論文給了一個bad case例子，互聯網長尾流量（普通用戶比較少關注的物品）中，搜索白玫瑰（white house），由於奔馳與特斯拉是頭部流量，那麼天然具有很高的出現頻率，query或者ad中有一個頻率高,那麼ctr模型也會認爲這個query-ad pair的ctr很高，也就會導致召回質量差的物料，比如搜索白玫瑰，最終呈現奔馳。

所以存在這樣一個情況：低相關性但是預估CTR高的ad投放出去了。
從經驗上看，實際的CTR可能因爲query-ad 不相關而表現不佳

解決方案

最終返回的高CTR推薦物料
$相關性強+相關性低$
論文主要的思路是把相關性低的物料且高CTR的物料（也就是bad cases）篩選出來。


query-ad 的相關性，設置一個閾值，然後標記爲**【bad cases】**（低相關性並且高ctr）, 需要提前採集的樣本或者人工構造
模型最終是三分類模型，與傳統二分類CTR模型不一樣，可以用bad case先過濾掉一部分高ctr的內容

算法沒有本質上實現多目標優化，是通過減少召回層與排序層的不匹配數量達到CTR ROI聯合優化

高效檢索

ANN和MIPS提高 檢索效率是工程技巧，與算法模型關聯性不是很大。