知识卡片
召回与排序:两阶段流水线
物品库有百万级条目时,给每个用户逐一打分在时延上不可行,所以流水线被切成两段。召回从全量库里用多路策略(协同过滤、相关性模型等)各圈一批候选,合并去重后通常只剩几百到几千条;它只看粗粒度的匹配信号,允许高召回、低精度。排序只对这批评分,再细分为粗排(轻量模型快速截断)、精排(复杂模型精细打分)和再排序(多样性、业务规则、去重打散)。
两段的分工决定优化顺序:召回漏掉的物品,排序模型再强也无法补救,所以召回率是效果天花板;排序则在固定候选集内提升准确率与列表质量。计算量从「用户数×物品数」降为「用户数×候选数」,这是推荐系统能实时服务的前提。工程上还要保证两段一致:召回用的向量空间与排序用的特征口径若不一致,离线指标会虚高、线上效果会掉。
结构图:
flowchart TD
A[全量物品库] --> B[召回<br/>多路策略并行]
B --> C[粗排<br/>轻量模型截断]
C --> D[精排<br/>复杂模型打分]
D --> E[再排序<br/>多样性/业务规则]
E --> F[展示列表]
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 推荐系统框架及原理 · 查看原书依据
如图7-4所示,推荐引擎从一个大的结果集中通过协同过滤模型或者一些相关性模型或算法进行结果召回,然后把召回的结果集进行排序。排序阶段又可以细分为粗排、精排以及再排序更为细致的阶段。
参考来源
- 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第7章 推荐系统框架及原理(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0093.html)
- 结论依据:原文明确了召回在前、排序在后,并把排序细分为粗排、精排、再排序三级,支撑两阶段流水线的结构。
- 原始内容:如图7-4所示,推荐引擎从一个大的结果集中通过协同过滤模型或者一些相关性模型或算法进行结果召回,然后把召回的结果集进行排序。排序阶段又可以细分为粗排、精排以及再排序更为细致的阶段。