知识卡片
推荐的三段式框架
真实系统很少只用一种算法,而是先召回、再排序、最后过策略。用户来了先取画像:基本属性(性别、年龄、职业)、行为属性(阅读、点击、收藏、搜索词)、上下文属性(时间、地点、上一串行为),落成若干标签及兴趣得分,标签体系与文档共用,所以既能用来召回也能用来排序。然后按多个维度召回候选文档并粗略排序,再用机器学习模型(pCTR)精排,最后按时新性、地域性、多样性做策略筛选。用户看到结果后的点击、评论、阅读时长回流,更新画像与排序模型。这个骨架与搜索引擎一致,差别只在触发源是画像而非 Query;也正因为它是个闭环,只看单次准确率会漏掉“越推越窄”这类长期退化。
结构图:
flowchart LR
A[用户画像: 标签与得分] --> B[多路召回候选]
B --> C[粗排]
C --> D[pCTR 模型精排]
D --> E[策略: 时新 地域 多样性]
E --> F[展示给用户]
F --> A
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 第7章 如何让机器猜得更准 · 查看原书依据
一个用户来了之后,首先从数据层中取到他的用户画像,然后从大量已经处理过的文档集合中通过不同维度的召回策略召回一些候选文档集合并粗略给一个排序,之后用机器学习模型(pCTR)对候选文档集合进行排序,最后是一些策略筛选和调整,把最终的推荐结果发给用户。
参考来源
- 位置:《文本上的算法——深入浅出自然语言处理》第7章 如何让机器猜得更准(源文件:extracted/文本上的算法——深入浅出自然语言处理/_epub-src/OEBPS/Text/00014.html)
- 结论依据:原文这一段直接给出本卡的核心判断:「一个用户来了之后,首先从数据层中取到他的用户画像,然后从大量已经处理过的文档集合……」
- 原始内容:一个用户来了之后,首先从数据层中取到他的用户画像,然后从大量已经处理过的文档集合中通过不同维度的召回策略召回一些候选文档集合并粗略给一个排序,之后用机器学习模型(pCTR)对候选文档集合进行排序,最后是一些策略筛选和调整,把最终的推荐结果发给用户。