相关性 (Relevance) 模型的地位一般是在 Recall 阶段之后作为 Filter, 只有相关分数 Relevance Score 达到一定标准才能进入后续的 Ranking 阶段。之所以在 Ranking 之后介绍这一部分，是因为 pCTR 模型更具有普遍性。而 Relevance 模型，按我的理解，尽管有其特殊性，但也跟 pCTR 模型有很高的相似性。
搜索广告场景中，pCTR 模型是明确的针对点击率的，Relevance 模型则负责保证搜索关键词与商品相关性。而在搜索场景（非广告）中会更看重相关性，所以有人认为搜索场景的 Ranking 模型目标就应该是相关性。Relevance 模型是搜索问题特有的。可以从两个例子体会相关性和点击率的不同，
- 有些物品图片特别吸引人，或者标题党，甚至色情物品等等，即使跟搜索关键词无关，点击率也特别高（高点击率低相关性），这些物品并不是我们希望搜索系统返回的
- 有些物品由于种种原因不够吸引人，很冷门，点击率很低，但本身也可以与搜索关键词高度相关（高相关性低点击率）
但这两个问题并不是能够非常清晰的做出区分的，原因包括，
- 除了标题党、色情物品等特殊情况（这些情况其实也可以视为 pCTR 模型的 bad case），总体而言，相关性与点击率是正相关的，高相关性商品一般也有高点击率，反之亦然，这两个问题本就不能非常清晰地区分
- 两者的训练数据和损失函数可能相似，相关性模型的训练常常也是使用点击数据，其实际的模型损失函数可能跟 pCTR 模型差别不大
我的理解是，可以不太严谨的认为商品的点击率，与商品与搜索关键词的相关性，以及商品本身的吸引力这两个因素有关。Relevance 模型理想情况下应该只考量相关性，但 pCTR 模型一定是需要考虑这两方面因素的，无非是在两者之间权衡而已，所以必然会与 Relevance 有所重叠。在搜索广告系统中，pCTR 模型已经承受了足够多的任务，校正后要无偏的预测点击率，并且本身是 Bidding 策略的一部分，因此 Relevance 由一个单独模型负责较好。
Relevance 模型仍然可以通过以下方式与 pCTR 模型做出明确的区分，
- Relevance 模型着重使用文本 Embedding、商品类别等等内容特征，避免使用统计 CTR 等常见于 pCTR 模型的统计特征
- 如果有条件，有高质量的人工标注数据，也即搜索关键词与商品 Title 相关程度标注数据，可以使用标注数据 Fine Tune Relevance 模型
如果使用人工标注数据，由于人工标注数据数据量较少，Releavnce 模型的形式可以是先使用复杂模型提取特征（如预训练语言模型提取 Embedding），然后使用一个简单模型（如 LR 或者 GBDT）综合这些特征生成最终的 Relevance Score. 人工标注数据用于训练这个最终的简单模型。