一个新物品曝光 2 次点击 1 次，点击率 50%，直接用它排序会严重高估。小样本下频率估计方差极大，必须引入先验做平滑，贝叶斯方法提供了优雅的框架。
Beta 分布是点击率的共轭先验：假设点击率服从 Beta(α, β)，观测到点击和未点击后，后验仍是 Beta(α+点击, β+未点击)。后验均值就是平滑后的估计，天然抑制极端值。
α、β 的选取可用历史数据做矩估计或最大似然，也可用经验贝叶斯按类目分别拟合。类目内样本共享先验，既保留个性又借用群体信息。
平滑强度要随样本量自适应：样本少时后验接近先验，样本多时接近观测频率。这正是贝叶斯平滑相比固定加权的优势，无需手工设阈值。
在排序特征中使用平滑点击率，能明显改善冷启动和长尾物品的排序质量，也便于把置信度信息一并传给下游模型。
