推荐系统中的召回和排序
在推荐系统中一般会分为召回和排序两个阶段：
召回
召回的目标是从千万级甚至亿级的候选中召回几千个item，召回一般由多路组成，每一路会有不同的侧重点（优化目标），如在广告中成熟期广告和冷启动广告分为两路召回（如果广告比较多，还可能分冷热广告分别召回）。在推荐系统，不同路可能代表了不同的优化目标，如喜欢、关注、观看时长、评论这些都可以分不同的路召回。
目前召回常用的方法有：协同过滤、FM、FFM、图模型、双塔模型、还有YouTube在2017年论文中提出的DNN模型、字节的Deep Retrieval算法等
在工业届，常常会用FM、双塔模型等先学习user embedding、和 item embedding，然后用ball tree、fast ball tree 等近似最近邻算法进行检索，加快效率
排序
排序阶段就是把召回的结果进行排序，把top k（k 一般都是个位数）结果作为推荐系统最终的输出。
排序阶段常用的算法：LR -> FM -> deepFM等
为什么要把排序分为精排和粗排？
把排序阶段分为粗排和精排，其实就是生成环境中成本和结果的一个平衡。进入排序阶段的候选集一般确实只有几千个，但是对于抖音、YouTube这种量级的应用来说，他们request是非常多的，依然不能上太复杂的模型和特征。
因此把排序分为粗排和精排：
粗排漏斗一般是： 几千 -> 几百
精排漏斗一般是：几百 -> 几个
这样精排可以把模型和特征做到极致，可以达到非常高的精度
召回和粗排的差别在哪里？
1. 建模目标不同
召回是漏斗的最上游，可以说是决定了推荐系统的上限
召回的目标是召回用户可能感兴趣的 item，会考虑多方面的因素
粗排是对召回的结果进行排序，top k 送入精排，常用的有两种建模方式：
1. 独立建模，如在在广告推荐中，粗排也是优化ecpm，在推荐中也是优化Finish、Staytime等
2. 对齐精排，用 leaning to rank 等方法去学习精排的序
标签：精排,广告,召回,排序,推荐,粗排 来源： https://www.cnblogs.com/xumaomao/p/15237810.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。