互联网大厂面试官：推荐系统最经典的排序模型有哪些？你了解多少？( 三 ) _推荐系统

所能预估排序的规模终究有限，所以才有了粗排这么一个环节。
【粗排将几千个物品继续用漏斗筛选几百个出来，这样速度要快才行，否则精排算不了】
常见的粗排模型有DSSM等。
由于粗排是给精排服务的，因此这里还涉及到粗精排目标一致性的问题，
常用的做法就是粗精排特征对齐。
近年来，工业界在粗排环节也有很多尝试，比如引入知识蒸馏的思想，
把精排-粗排构建一个-网络，即用精排模型指导粗排模型的训练。
三、精排
目前无论是学术界还是工业界，大部分的精力都集中于精排这个环节。
所以面试官才要问你这个问题：推荐系统最经典的排序模型有哪些？你了解多少？
因此你有必要好好透彻地了解一波，这些排序模型，这是作为工作之后要调参尝试的基础能力。
主要有几个方面的因素：
1.精排环节是模型层出的环节，学术界以论文为导向，自然把精力都放在了模型上面，不然着实没法水论文啊。
2.这一波深度学习浪潮席卷了CV、NLP、推荐，
虽然是由于数据、算力和算法三个因素共同助推了深度学习的浪潮，
首先数据量自不用说，每年都在以指数的速度在增长，硬件算力优化历来都是小众，很多人没兴趣甚至也没能力去搞。
加之工业界的成果如果想共享或者有影响力，最好的方式依然是发论文，而发论文嘛又回到了第一条里。
本次推荐系统系列博客也主要集中在精排阶段的常用模型上。

文章插图
【之前我讲的24篇主要是小红书的推荐系统工业界实现】
精排阶段的目标就是排出用户可能最喜欢的item列表，
用的比较多的排序方式还是point-wise，因此本质上就是个ctr预估模型，
因此精排模型的演进实际上就是CTR模型的演进历程。
下面用一张图来简单的总结下工业界常用的CTR模型的演进历史，
能够看出基本都围绕着如何更好的从样本中学出有用的信息，
因此特征工程的重要性无与伦比，
从统计机器学习时代的LR，进化到+MLP的范式，
也都是在围绕着如何学到更加有用的高阶交叉特征信息。
在统计机器学习时代，LR在工业界占据统治地位，
LR有着诸多的优点：简单可解释性强，易于分布式并行训练。
但LR只是个线性模型，没办法学到学到一些高阶交叉信息，
因此如果想学到更加细粒度的信息，需要大量的特征工程，既人工做二阶交叉特征，
但这样的话，时间复杂度又回飙升，比如N 方个特征，两辆交叉复杂度就到了 O(N^2)
所以大佬提出了FM模型用于学习二阶交叉特征，
则利用gbdt进行特征组合然后输入到LR里，提出了GBDT+LR的模型。
待到深度学习来临后，+MLP的范式成为主流，
详细的后面在单独介绍每个模型时再一一详述，这里不再赘述，
大家看看上面的图就好（为了这张图特意去下了个xmind，哈哈）。
四、混排==重排【前面24篇文章的叫法】
混排，顾名思义，就是多种不同类型的内容混合排序，
在信息流推荐中，比如手百的信息流内容类型可能会包括：资讯，视频，小视频，图文，动态等等内容。
在用户请求时，为了多样性的考虑，这些内容以列表页的形式展现给用户，
那么必然涉及到排序，所以有了混排，
最终的目的还是为了提高用户的点击率。
此外混排还会涉及到一些策略，比如冷启用户的曝光处理，以及一些强制曝光策略等。

互联网大厂面试官：推荐系统最经典的 排序模型 有哪些？你了解多少？( 三 )

互联网大厂面试官：推荐系统最经典的排序模型有哪些？你了解多少？( 三 )