第 12 章阅读地图：精排模型

章节主线

从精排模型的发展历程、核心问题与传统模型出发，比较深度架构中的特征交互、多任务学习和统一模型，再将 Pointwise、Pairwise、Listwise 目标放回排序指标、样本组织与线上服务成本中评估。

节	PDF 页	核心问题	工程检查点
12.1–12.2 发展历程与核心问题	1–3	特征、结构和训练目标如何共同影响精排效果？	信息可用性、推理预算、目标与线上收益的一致性。
12.3 传统精排模型	4–8	LR、GBDT、FM、FFM 分别表达哪些特征关系？	稀疏特征规模、交叉复杂度、可解释性。
12.4.1 显式交互与深层表征融合	8–30	Wide & Deep、DeepFM、DLRM 等如何结合低阶交叉与深层网络？	Embedding、交叉层、参数与吞吐预算。
12.4.2 多任务学习架构	30–40	MMoE、PLE、CGC 怎样处理任务关系？	任务冲突、专家利用率、分任务收益。
12.4.3 基于 Transformer 的统一模型架构	40–55	统一交互架构如何利用更丰富的行为与特征？	序列长度、模型容量、训练与推理成本。
12.5 预测目标与损失函数	55–64	Pointwise、Pairwise、Listwise 对应什么优化假设？	请求分组、概率校准、排序指标与线上目标。
12.6–12.7 实践案例与讨论	64–67	精排的兴趣、多模态和多任务模块如何协同？	特征血缘、标签泄漏、消融、服务成本与链路依赖。
12.8 本章小结	67–68	如何平衡预估精度、信息利用和系统效率？	用同预算离线与线上结果验证增量收益。

在同一候选集上设计 Pointwise 与 Listwise 对照：写清标签、分组键、损失、离线排序指标、线上护栏和回滚条件。

本书依据：《第十二章-精排模型.pdf》，PDF 第 1–68 页；本章 PDF 已发布，引用具体论断时请核对原页。