- 搜推广生死判官：聊聊重排技术发展
- 1. 重排Overview
- 2. 重排模型发展
- 2.1 基于Greedy Search
- 2.1.1 MMR
- 2.1.2 DPP
- 2.2 基于上下文Listwise
- 2.2.1 miRNN
- 2.2.2 DLCM
- 2.2.3 Seq2Slate
- 2.2.4 PRM
- 2.2.5 EdgeRec
- 2.2.6 Evaluator-Generator Framework
- 2.2.7 PRS
- 2.3 基于强化学习
- 3. 重排在业界落地实践
- 3.1 【2020】快手短视频推荐多目标排序
- 精排多目标排序
- 重排序
- 3.2 【2021】快手短视频重排序
- 3.2.1 序列重排
- 3.2.1.1 Generaotr
- 3.2.1.2 Evaluator
- 3.2.2 多元混排
- 3.2.3 端上重排
- 3.3 【2020】微信看一看推荐混排
- 3.4 【2021】爱奇艺搜索排序
- 3.5 【2020】美团搜索重排
- 3.6 【2021】美团搜索多业务混排
- 3.7 【2022】美团搜索端上重排
- 3.7.1 模型算法
- 3.7.2 架构部署
- 3.8 【2022】美团搜索广告混排
- 3.9 【2022】VIVO 异构混排
- 3.10 【聚合】阿里推荐重排
搜推广生死判官：聊聊重排技术发展
搜推广生死判官：聊聊重排技术发展
🏕️
对重排模块之前有了解，真正开始搞重排时间不久，是一篇学习笔记。
本文内容观点与作者雇主无关，仅代表作者本人当前认知梳理。全文只会引用互联网公开资源，不涉及任何内部未公开信息，欢迎讨论~
1.
重排Overview
重排一般是离用户最近的一个环节（有些场景还有混排），其定位是对精排模型打分后的top-N候选进行重新排序，从上下文listwise的角度系统建模最优收益，然后重新生成TOP-K个物品的序列展现给用户。
首先简单说明一下为什么需要重排。精排的思路是通过对商品打分，按照这个打分从高到低进行排序，打分越高的物品价值越高 -> 展示位置更靠前 -> 产生的实际收益更大。但这套逻辑有一个严重的缺陷，就是物品的上下文信息会极大影响用户决策。
举一个快手短视频的例子，比如第一条视频是将军对于台海危机的言论，但如果下一条视频推荐了小姐姐视频那就相当不合时宜，因为这两个视频没有连贯性，推荐效果较差。那如果下一个推荐视频是比较燃的音乐，再在后面推荐小姐姐跳舞的视频，那么这时候内容的连贯性就较好，用户不会觉得突兀。
附件不支持打印
加载失败，