miRNN
在淘宝搜索中，每个商品是否会购买，会受到周围展示的商品的影响。例如周围同类目商品比当前商品显著贵，那么当前商品购买的概率可能就比较高。
miRNN中，作者使用RNN来建模context信息，优化淘宝搜索重排序，生成Top-K列表结果，来实现电商GMV最大化的目标。
淘宝搜索中，需要生成一个Top-K的商品列表，其对应的期望GMV，基于商品价格、预估购买每个商品的概率来计算。优化目标是，生成一个Top-K列表结果，使得期望GMV最大化：
这个问题可以分解成两个问题：
（1）估计每个商品在Top-K列表上下文下被购买的概率
（2）有效找到最优Top-K排列
在论文中，作者使用全局信息来建模多个商品列表的context信息，即基于多个商品的属性特征（例如价格）的最大值、最小值，来归一化每个商品的属性特征，生成全局特征。再结合商品自身的属性特征，来表达每个商品。
对于问题1，即预测给定排列情况下每个商品购买的概率，作者采用RNN来建模，即考虑前面已经选取的物品对后面商品购买的影响。
对于问题2，即有效找到最优Top-K排列，作者基于学习得到的购买预测RNN模型，和Beam Search来解决。组合探测的问题可以用传统的greedy search的方式，而论文中采用的是beam search--一种介于贪心和穷举中间的检索方式。
beam searh与greedy search的差异点在于，greedy每次检索的时候，只保留概率最大的item，使得局部最优，然后step by step，直至最终的序列生成。
而beam search的差异在于，每次检索的时候，会保留top k的序列，然后next step中，同样做top k的截留，到了最后序列生成时，做有限个数的全局最优对比。beam search也是一种局部最优解的序列检索，但是保留更多的探索空间，当然性能代价会更高一些。
miRNN模型，在淘宝搜索线上取得了很好的GMV收益。
