Observations 通过几组实验观察到 反转Knowledge Distillation(KD)即利用student来guide teacher的话，teacher的性能依然可以得到提升用一个比student还差的teacher来guide student的话，student的性能依然可以得到提升 因此作者得到以下观点 KD只是一种可学习的label smoothing regula

总结 提出permutation概念，rnn做rank 细节 user emb和item emb 考虑稀疏特征+稠密特征 permutation-matching offline: 2个模型，分别预测ctr以及next score(是否继续阅览)，不共享参数的dnn online: 改进的beam search permutation-rank offline: bi-lstm + ml