對於計算廣告系統，一個可以攜帶廣告請求的使用者流量到達後臺時，系統需要在較短時間（一般要求不超過 100ms）內返回一個或多個排序好的廣告列表；在廣告系統中，一般最後一步的排序 score=bid*pctralpha；其中 alpha 引數控制排序傾向，如果 alpha<1，則傾向於 pctr，否則傾向於 bid；這裡的核心因子 pctr 就是通常所說的點選率（predicted click through rate）。

　　對於推薦系統，也有類似的需求，當用戶請求到達後臺的時候，我們需要返回一個排序好的文章列表或者 feeds 列表。早期的推薦系統主要以協同過濾和基於內容的推薦為主，近年來推薦系統的主流形式也變成和廣告類似的兩步走模式：先召回一個候選佇列，然後排序；在排序這一步有很多種不同的策略，比如 pair-wise

•  problem formulation：迴歸問題 vs 分類問題　

　　第一種是將其看做一個分類問題；因為我們原始的日誌是曝光和點選；通過簡單的歸約以後，把點選看做正樣本，曝光看做負樣本的話，基於一段時間的資料樣本，可以訓練一個分類器。形式化來說，假設使用者 u、物品 i，上下文 c，曝光和點選類別 e，每個樣本可以看成一個<u,i,c|e>的元組；其中 e 的取值只有 0、1 兩種，這時候對每一個使用者、物品、上下文組合<u，i，c>，

　　另一種假設每個<u,i,c>可以預測一個 ctr（0-1 之間的值），這時候就變成了一個迴歸問題。在實際業務中，不同的問題定義方式不僅決定了可以使用模型的範圍，甚至決定了本質效果的差異。某個領域機器學習方法的進步，往往不只是模型的進步，有時候是先有問題定義的進步，然後才有模型和演算法的進步；而問題定義的進步來源於對業務場景的理解。