早期排序模型以逻辑回归为主，特征多为人工构造的交叉特征。它可解释性强、训练快，但对高阶特征交互的刻画能力有限，依赖大量人工经验。
因子分解机通过隐向量内积自动学习二阶交叉，缓解了稀疏特征下的参数学习问题。随后梯度提升树在表格特征上表现突出，成为工业界常用基线。
深度排序模型如 Wide&Deep、DeepFM 将记忆能力与泛化能力结合，通过嵌入层处理高维稀疏特征。Attention 结构进一步建模用户行为序列中的兴趣变化。
模型演进并非越深越好，还要考虑推理延迟、特征成本和维护复杂度。很多场景下，精心设计的特征配合简单模型，仍能取得稳健收益。
