知识卡片
选排序模型先看延迟预算
排序模型的选择不是「哪个离线指标高就用哪个」,而是先过两道工程约束。
延迟预算决定复杂度上限。线上要在用户可接受的时间内返回,特征数量、模型层数、候选条数都被这个预算卡住;再强的模型超时就是不可用。 可解释性是业务约束。运营和商家会追问「为什么这个商品排第一」,规则模型、逻辑回归、树模型能给出可读的理由(哪个特征加了多少分),深度模型往往只能给一个分数。
因此常见做法是分层:用简单可解释的模型或规则做粗排,保证覆盖与稳定;用复杂模型做精排,追效果;线上异常时可回退到简单链路。
可解释性不是学术趣味,它决定了模型能否被运营信任、能否在出问题时被快速定位。反过来,在特征与样本充足、且业务方接受黑盒的场景里,复杂模型的上限更高——这是一个由组织条件决定的判断,而非纯算法结论。
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11章 搜索应用实战:基于电商的搜索开发 · 查看原书依据
除了参考性能指标之外,很多时候我们优先选择可解释性强的模型,即模型本身对于排序结果的计算方式是易于理解的,比如规则模型、逻辑回归模型、树模型及其部分衍生模型等。
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11章 搜索应用实战:基于电商的搜索开发(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/part0149.html)
- 结论依据:原文把性能指标与可解释性并列为选型前提,并列举规则、逻辑回归、树模型作为可解释的代表,支撑「选型受工程约束而非只看效果」的判断。
- 原始内容:除了参考性能指标之外,很多时候我们优先选择可解释性强的模型,即模型本身对于排序结果的计算方式是易于理解的,比如规则模型、逻辑回归模型、树模型及其部分衍生模型等。