早期排序模型以逻辑回归为主，特征工程决定上限。模型简单、可解释、训练快，至今仍是很多场景的基线。理解 LR，是理解排序演进的起点。
GBDT 和 FM 引入了特征交叉能力。树模型自动捕捉非线性关系，因子分解机建模二阶交叉。两者结合形成 GBDT+LR 的经典范式，一度是工业界主流。
深度模型把特征交叉交给网络自动学习。Wide&Deep、DeepFM 兼顾记忆与泛化。Attention 结构进一步建模用户行为序列，捕捉兴趣的动态变化。
模型演进不是越深越好。数据量、延迟、可解释性都是约束。选型要匹配场景，小场景用复杂模型反而得不偿失。工程可行性永远要放在效果之前考虑。
