这是一篇Yahoo比较早期（08年）的使用机器学习模型来解决query-ad相关性的文章，deep learning还没有流行起来，所以现在看起来还比较naive，看这篇主要是其中一处对position bias的处理。
全部文章的细节就不描述，对早期业界方法感兴趣的可以看看，那时候猜测还没有流行起来直接使用点击数据来作为label来计算点击率（文章中有背景介绍），其余的其实跟现有框架的差不多，也是提特征，然后训练模型，只是现在的模型结构更复杂了些。
下面介绍下对position bias的处理。
考虑以下场景：用户输入了query，然后搜索引擎返回了一页结果，用户会浏览并且点击感兴趣的链接。
这样一个场景属于典型的存在position bias，假设有两个广告ad1和ad2，且ad1位于ad2的上面，若点击ad1但未点击ad2，并不能说明ad1是更相关的，可能仅仅是因为它在更上面。但如果用户点击ad2但未点击ad1, 那我们就更有理由相信ad2比ad1更相关，利用这样的假设，就可以组成pair对。文章中的构造方式如下：
右侧每个阴影的地方构成block，每个block包括以下：最下面属于代表被点击，而其上则是位置更靠上则没有被点击的，然后在训练的时候可以采用pair形式的训练方式。
当然更具体的细节可以看原始论文，讲的比较清楚。