知识卡片
粗排与精排的分工由算力预算决定
广告从召回到曝光是一条级联漏斗:召回拿到几千到几万条候选,粗排打分并截断,精排用 CTR 模型重排,再进竞价与反作弊。为什么不能一步到位用精排?因为精排贵。
粗排的职责只有两个:在候选集里找出与本次流量相关性较高的广告,并把结果截断成一个小集合传给精排。它用的评价函数比精排简单得多——特征少、模型轻(线性、双塔这类可离线算好向量的结构),单条打分成本低一两个数量级。精排才上全量特征、复杂交叉和深度网络。
约束可以写成一条不等式:单条打分成本 × 候选条数 ≤ 端到端延迟预算(通常百毫秒级,还要分给召回、特征、竞价)。候选每放大 10 倍,模型复杂度就得降一个量级,所以级联不是设计偏好而是算力逼出来的结构。有的公司会在精排后再加一层二次精排或重排,处理频控、多样性与业务规则。
最典型的失败模式是「截断过早」:粗排低估了某条广告,它在精排根本不会出现,而后验看它本该是收益最高的一条。这类误差无法靠精排弥补,只能靠粗排模型与精排目标对齐(蒸馏、用精排分数做粗排样本)来缓解。
flowchart TD
A[召回候选 万级] --> B[过滤 规则/黑白名单/预算]
B --> C[粗排 轻量模型打分]
C --> D[截断 百级]
D --> E[精排 CTR模型]
E --> F[重排 频控/多样性]
F --> G[竞价与计费]
结构图:
flowchart TD
A[召回候选 万级] --> B[过滤 规则/黑白名单/预算]
B --> C[粗排 轻量模型打分]
C --> D[截断 百级]
D --> E[精排 CTR模型]
E --> F[重排 频控/多样性]
F --> G[竞价与计费]
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12章 推荐应用实战:基于广告的推荐 · 查看原书依据
广告粗排框架是对引擎端召回的若干广告进行排序,并将排序的结果进行截断。截断后的候选集会被传给广告精排模块处理。粗排目的是尽可能在候选广告集中找到与流量相关性较高的广告,一般可以有效转化为目标。
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12章 推荐应用实战:基于广告的推荐(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/part0159.html)
- 结论依据:原文明确了粗排的「打分—截断—移交」三步以及相对精排更简单的定位,支撑级联结构与截断风险的讨论。
- 原始内容:广告粗排框架是对引擎端召回的若干广告进行排序,并将排序的结果进行截断。截断后的候选集会被传给广告精排模块处理。粗排目的是尽可能在候选广告集中找到与流量相关性较高的广告,一般可以有效转化为目标。