PS:三方卖家由6500到6100，海外货盘，OTTO半托管入局等。OTTO平台26年相较23年有相当大的变化。希望能跟跨境同行们交流共进。抛砖引玉，欢迎留言。

1、顾客搜smartphone，手机跟电脑端的产品排名一样吗？
不一样。同一时间，分别在手机，电脑端搜索到的结果。篇幅所限，截取前12个产品。（图片太长，放文末）

2、为什么不一样？
通常，Topseller榜单会动态波动，但一定时间的排序内应该有稳定性。
但从搜索结果来看，
Topseller榜单排序有一定的稳定性；但不是固定的，而是相对的。

3、Topseller榜单排序的影响因素有哪些？
这里结合OTTO团队发表的文章内容，以期归纳出Topseller榜单排序的影响因素

标题：来自深度学习与GBDT模型对电子商务学习排名的比较行业洞察
作者：Yunus Lutz, Timo Wilm, Philipp Duwe（均为OTTO (GmbH & Co. KGaA)雇员）
发表时间：2025年9月7日
RecSys '25：第十九届ACM推荐系统会议论文集收录。
会议支持者：aampe；APPLOVIN；Google;Netflix;Amazon Science；小红书；华为；Mate等。

 
摘要
在电子商务推荐器和搜索系统中，基于树的模型，如LambdaMART，为学习排名（LTR）任务设定了强有力的基线。尽管深度神经网络（DNN）在工业界的应用广泛且有效，但深度神经网络（DNN）是否能在该领域超越传统基于树的模型，争论仍在继续。为了参与讨论，我们系统地将DNN与我们的生产级LambdaMART模型进行基准对比。我们在OTTO的专有数据集上评估多种DNN架构和损耗函数，并通过为期8周的在线A/B测试验证结果。结果显示，简单的DNN架构在总点击量和收入方面优于强树基准，同时实现了总销售量的均衡。

在线实验
为了验证我们的线下发现，我们在OTTO电商平台上进行了为期8周的在线A/B测试。我们将带有Softmax CE损耗的双塔模型与我们的生产级LambdaMART模型进行了比较。如图1所示，线上结果与我们的线下评估一致。通过t检验，DNN在总点击数上实现了1.86%（p ＜ 0.0001）的统计显著提升，较生产基线相比，产生的收入增长0.56%（p ＜ 0.01），同时销量保持稳定。DNN的训练和服务成本较高，但与其性能提升相比，这些成本微乎其微。

OTTO的等级学习
在OTTO，我们关注一个符合候选检索阶段的情境化LTR任务。给定用户请求时，排名系统会收到一个列表候选产品以及上下文信号C，可能包括用户行为、查询意图或设备信息。候选集记作 p = [p1， p2， ...， pn]，其中每个pi表示由上游系统检索到的产品。每个乘积 pi由一组特征张量描述，包括数值特征，范畴特征，以及文本特征.LTR模型会分配相关性评分si对每个乘积 pi，条件为上下文c。基于这些分数，候选名单p会重新排序，生成最终的排名列表。目标是将最相关的产品呈现给用户，排在列表顶部。
 
3.1  归纳
OTTO平台的Topseller商品排名，主要取决于其内部机器学习排序模型所输出的综合评分。该评分模型的核心输入特征，广泛来源于用户的行为数据、搜索关键词背后的真实意图，以及用户所使用的设备类型等上下文信息。

说白了，OTTO的Topseller是靠算法系统自动打分排序。Topseller怎么排，是用户画像、搜索意图和用什么设备打出的综合分，这些是重要的的影响因子。

3.2  类比归纳