梯度提升树通过串行训练多棵决策树，每棵树拟合前一棵树的残差，逐步降低预测误差。相比线性模型，它能自动捕捉特征之间的非线性关系和交互作用，在表格类特征上表现稳定。
在排序场景中，常用 lambdarank 等排序损失直接优化列表顺序，而不是单独优化每个物品的点击概率。这类方法关注物品之间的相对顺序，更贴合推荐列表的实际目标。
梯度提升树的训练需要处理类别特征和缺失值。树模型对特征尺度不敏感，但类别特征需要编码，高基数类别容易过拟合。常用手段包括目标编码、频次编码和特征哈希。
它的推理延迟比深度模型低，适合对响应时间敏感的场景。工业界常把梯度提升树用于粗排或精排的初期版本，再逐步引入深度模型做融合，形成多模型并存的排序体系。
