搜索和推荐的结果顺序极大影响体验，排序模型就是决定谁排前面的那套逻辑。最早的做法是人工规则打分，比如标题命中关键词加分，发布时间新的加分，简单直接但难调优。
后来发展为学习排序，用机器学习从用户点击数据里学出打分函数。常见目标包括逐点回归点击率、逐对比较谁更相关、逐列表优化整体顺序，不同目标适合不同场景。
排序特征通常分几类：查询与文档的匹配度、物品自身质量与热度、用户画像与历史行为、上下文如时间地点设备。特征设计质量往往比模型选择更影响效果。
线上排序还要考虑多样性和业务约束，不能只按相关性一味堆同类结果。把相关性、新鲜度、多样性综合成一个可调的打分，才更贴近真实需求。
