LR
逻辑回归作为一种广义线性模型，假设因变量是服从伯努利分布的，在点击率预估或者推荐系统中，点击、购买时间的发生就是模型的因变量y，而用户是否点击或者购买就是一个经典的二分类问题，因此因变量就是服从伯努利分布的，所以采用LR作为CTR或者推荐的模型符合点击购买这一物理意义。
公式化的解释，LR就是讲特征进行加权求和，然后再经过sigmod将结果映射到0-1之间。具有可解释性，可以轻易的看出哪一些特征比较重要，出问题，也可以具体分析。
由于LR易于并行化，同时模型比较简单且训练开销小。使得其可以作为一个很好的baseline
但是其只是对特征进行了简单的加权，没有很好的考虑特征之间的关系，并且特征工程也很依赖于人力。所以在深度学习流行之前，facebook提出GDBT+LR的形式，将特征工程模型化。基于GDBT进行特征的交叉处理，生成新的离散特征向量，再将特征向量作为LR模型的输入。
GDBT+LR
GDBT由多棵CART树组成，本质上市多棵回归树组成的森林。每一个节点进行贪心分裂，最终生成的树包含很多层，这就是一个特征组合的过程，样本会落在一个叶子节点上，将这个叶子结点记为1，剩下的记为0，得到一个向量。将得到的所有树的叶子结点向量拼接在一起所谓特征，作为LR的输入。
在这整个过程中，GDBT和LR是分别训练的，所以不牵扯LR的梯度回传到GDBT这个问题。
