推荐算法： 百度mobius

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

广告不同阶段优化目标不一致

普通用户看到的三个阶段，曝光-点击-转化
背后是一套复杂的召回排序系统

• 召回阶段：建立query，可以是用户的搜索信息，也可以是广告位的属性或者上下文信息，这个阶段主要考虑相关性
• 排序：根据召回物料预估CTR，排序，找到TopK物料返回
  从原始物料库到最终呈现给用户的物料，在数量上表现为倒三角的关系
  

下面例子是一个比较成功的呈现

论文给了一个bad case例子，互联网长尾流量（普通用户比较少关注的物品）中，搜索白玫瑰（white house），由于奔驰与特斯拉是头部流量，那么天然具有很高的出现频率，query或者ad中有一个频率高,那么ctr模型也会认为这个query-ad pair的ctr很高，也就会导致召回质量差的物料，比如搜索白玫瑰，最终呈现奔驰。

所以存在这样一个情况：低相关性但是预估CTR高的ad投放出去了。
从经验上看，实际的CTR可能因为query-ad 不相关而表现不佳

解决方案

最终返回的高CTR推荐物料
$$相关性强+相关性低$$
论文主要的思路是把相关性低的物料且高CTR的物料（也就是bad cases）筛选出来。


query-ad 的相关性，设置一个阈值，然后标记为**【bad cases】**（低相关性并且高ctr）, 需要提前采集的样本或者人工构造
模型最终是三分类模型，与传统二分类CTR模型不一样，可以用bad case先过滤掉一部分高ctr的内容

算法没有本质上实现多目标优化，是通过减少召回层与排序层的不匹配数量达到CTR ROI联合优化

高效检索

ANN和MIPS提高 检索效率是工程技巧，与算法模型关联性不是很大。