推荐系统技术路线（入门）：召回到排序再到重排

推荐系统技术路线（入门）：召回到排序再到重排 推荐系统是指通过对用户行为、物品特征、上下文信息等进行分析和挖掘，预测用户对物品的喜好程度，并推荐用户可能感兴趣的物品，以提高用户体验和平台商业价值的技术。推荐系统技术路线可以分为召回、排序和重排三个阶段。 1. 召回（ Retrieval） 召回阶段的目的是从海量的物品库中快速找回一小部分用户潜在感兴趣的物品，然后交给排序环节。召回可以根据用户的部分特征，如浏览记录、搜索记录、购买记录等，从而快速找回用户可能感兴趣的物品。召回阶段有两种类型：无个性化因素的召回路和包含个性化因素的召回路。无个性化因素的召回路是指根据热门商品、热门文章或历史点击率高的物料进行召回，而包含个性化因素的召回路是指根据用户兴趣标签、用户行为序列等进行召回。 2. 排序（Ranking） 排序阶段的目的是对召回的物品进行个性化排序，以便推荐用户可能感兴趣的物品。排序可以融入较多特征，使用复杂模型，来精准地做个性化推荐。排序阶段可以分为粗排和精排两个阶段。粗排阶段是指通过少量用户和物品特征，简单模型，来对召回的结果进行个粗略的排序，以减少往后传送的物品数量。精排阶段是指使用你能想到的任何特征，复杂模型，来精准地对物品进行个性化排序。 3. 重排（Re-ranking） 重排阶段的目的是对排序结果进行调整，以便提高推荐的多样性和准确性。重排可以根据不同的业务策略和技术来进行调整，如去已读、去重、打散、多样性保证、固定类型物品插入等。 模型召回是指使用模型来代替多路召回的方法，可以将用户特征和物品特征分离，各自通过某个具体的模型，分别打出用户 Embedding 以及物品 Embedding。模型召回具有自己独有的好处和优势，如解决多路召回每路截断条数的超参个性化问题等。 在召回阶段使用模型召回时，需要同步采用和排序模型相同的优化目标，否则可能会出现高质量精排目标，在前置环节就被过滤掉的可能，影响整体效果。 典型的工作模型包括 FM 模型召回、DNN 双塔召回、用户行为序列召回等。这些模型可以应用于不同的推荐系统中，以提高推荐的准确性和多样性。