← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 7257.n · 生成模型:WorkBuddy (Claude)

模型重排与混排策略

理解等级:高级

重排末端还有两类面向”排序结构”的机制。①模型重排:精排只代表用户对单个物料的兴趣、未考虑当前会话的序列关系,模型重排则调节物料展现位置以获长期收益,常用 List-wise 建模学习物料间序列关系(例:先 A 后 B/C 用户只点 A;换成 B、A、C 则全点)。适合强序列关系业务。②混排:用于信息流等把新闻、视频、广告、直播、小说等多业务板块同页展示的场景。做法是把各业务精排分做量纲归一化后统一排序,或把各业务物料统一训练使打分同量纲;对广告物料则需加权:最终分 = bidding + α×rankscore,普通物料仅用 rankscore。可迁移启发:混排核心是”量纲统一+广告加权”,解决多团队分数不可比问题,呼应 [[广告与个性化推荐的差异]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 推荐系统架构 1.3 4类主流推荐系统构建点拨 · 查看原书依据

      此外,有的企业直接打破个性化推荐和广告推荐的壁垒,将个性化推荐和广告推荐的数据统一并进行模型训练,只是对广告侧的物料的bidding乘以一个系数后加入排序来作为最终的排序值,即广告物料的最终分为bidding(一般为eCPM)+ α ×rankscore,而正常的个性化物料的最终

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第2章《推荐系统架构》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/8.html;src-008) - 结论依据:原文分别说明模型重排用 List-wise 考虑序列位置以获取长期收益,以及混排通过量纲归一化或统一训练来同页展示多业务、并对广告用 bidding+α×rankscore 加权,支撑本卡结论。 - 原始内容:此外,有的企业直接打破个性化推荐和广告推荐的壁垒,将个性化推荐和广告推荐的数据统一并进行模型训练,只是对广告侧的物料的bidding乘以一个系数后加入排序来作为最终的排序值,即广告物料的最终分为bidding(一般为eCPM)+ α ×rankscore,而正常的个性化物料的最终