精排:推荐系统如何给内容打分?从多目标预估到分数融合

简介: 如果把给用户推荐视频比作大公司招人,召回是系统自动从几亿份简历里粗暴的海选出1万份,粗排是部门主管花几秒扫一眼,快速筛选出1000个看起来靠谱的现在这一千个幸存的候选视频终于来到了推荐系统大 boss 精排的面前。精排这位大老板拥有全系统最聪明的头脑,他使用着规模极其庞大的深度神经网络,消耗最昂贵的算力资源

如果把给用户推荐视频比作大公司招人,召回是系统自动从几亿份简历里粗暴的海选出1万份,粗排是部门主管花几秒扫一眼,快速筛选出1000个

看起来靠谱的现在这一千个幸存的候选视频终于来到了推荐系统大 boss 精排的面前。精排这位大老板拥有全系统最聪明的头脑,他使用着规模极其庞大的深度神经网络,消耗最昂贵的算力资源,会对每一个候选视频进行极其细致的全方位评估,真正理解你为什么会喜欢某条内容。

在理想状态下,平台推给你一条视频,当然希望你既愿意点开又愿意看完,还愿意在评论区跟人进情对线上200个回合。于是系统会分别预测多个关键指标,最经典的是点击率、完播率以及转化率,当然还有其他指标

但推荐系统最终只能有一个排序结果。这么多指标分数该怎么融合成一个统一的排序分数呢?

最直接的方法就是使用加权乘法公式。

$score_i$ 表示第一个任务的预测值,$a_i$ 和 $b_i$ 则是对应的融合权重,就像是调音台上的推子,专门用来放大或缩小某一项指标的权重。怎么调整这些参数可以看作这款产品的价值观的体现

  • 如果你把点击率的权重推到最高,用户的满眼都会是擦边球和标题党。
  • 如果你把完播率的权重推到最高,推荐列表,就会被只有几秒钟的洗脑循环视频塞满

问题又出现了,这些权重数值到底该怎么定?

1.使用网格搜索,本质就是穷举。

如果有八个目标,每个目标有ab两个参数,工程师可以按照经验给每个参数假设十个可能的取值,一共就有10的16次方种组合,然后把所有组合一个个拿去训练和 A/B测试,最后挑出来效果最好的一组。这个方法虽然简单粗暴,但计算成本极高。

2.另一种思路,既然多个目标很难同时直接优化,那能不能找一个业务最核心的指标作为总代表?

比如把点赞、关注、转发等行为都折算成播放时长,最终只使用播放时长作为核心优化目标,这样做可以大幅降低系统复杂度。这些折算关系本质是一种近似替代,一般由工程师手动设定。

精排的核心工作从来不是简单的打出高分,而是在各项指标之间寻找微妙的平衡。

排序模型的发展

2016年谷歌在应用商店的推荐系统中提出了一个具有里程碑意义的模型 Wide and deep。它第一次系统的解决了推荐系统中的一个核心矛盾,用户既喜欢熟悉感又渴望新鲜感。于是工程师设计出了一个像人类一样的大脑,同时拥有记忆力和推理能力的结构。模型的左脑 Wide 是一个极其简单的线性结构,它的任务是死记硬背历史规律。
比如系统发现你昨天点赞了电影解说,今天只要遇到电影标签的内容,左脑就会毫不犹豫的继续推给你.
他擅长利用已经被验证过的稳定模式,主打精准、安全、低风险。

但如果只有这种记忆力,用户很快就会看腻,这时候就需要右脑deep来制造惊喜。Deep是一个深层神经网络,它的任务叫泛化,也就是透过表面行为觉更深层的兴趣关联。
比如他发现你经常观看二次元和漫展内容,于是他大胆的推测你可能也会喜欢手办相关内容,并悄悄把它塞进推荐列表。
它更像一种直觉,能够发觉连你自己 都没意识到的潜在兴趣。最后wide和deep会各自输出一个分数,再融合成最终结果,通过一个转换函数得到一个精确的预估值。
比如88%,意味着系统认为你有88%的概率会喜欢这条视频。

Wide and deep只是精排模型发展中的一个经典代表,工业界又陆续出现了很多更复杂的模型,他们开始进一步研究用户兴趣如何随时间变化,行为之间如何相互影响,以及系统如何在更复杂的上下文中理解此刻的你。

总结——精排的流程:

  1. 排序模型预估点击率、点赞率、收藏率、转发率等多种指标的分数
  2. 融合这些预估分数(比如加权和 等方式)
  3. 根据融合的分数做排序、截断

参考

目录
相关文章
|
6天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
7269 18
|
6天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2399 10
|
8天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
8天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
4天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
21天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
10360 59
|
4天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
1079 1
|
7天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。
|
16天前
|
Linux 开发工具 iOS开发
2026最新codex下载安装保姆级使用教程(下载+安装+登录+使用,含所有历史版本)
本文详解OpenAI Codex国内快速上手指南:提供Win/macOS/Linux全平台免安装包、npm/Homebrew等多方式安装、账号/API Key双登录、简体中文切换,覆盖下载、安装、汉化、使用及高频避坑(如微软商店失败、npm超时等),10分钟即可跑通。
3536 9