第五章：计算机视觉-项目实战之推荐/广告系统

第三部分：精排算法

第一节：精排用来干什么？ "我要细细的筛"、

---

一、精排在推荐系统中的定位：它解决的不是“找内容”，而是“做最优决策”

如果说：

• 召回解决的是：在信息海洋里“先把可能感兴趣的都捞上来”

• 粗排解决的是：在大桶候选里“先粗筛掉明显不重要的内容”

• 精排（Ranking）要解决的就是：

在有限曝光位中，做「收益最大化」的最优排序决策

它是真正影响推荐质量、商业收益、用户体验的核心决策环节，位置如下：

海量候选（10^6+）
   ↓  召回（u2i/i2i/Graph/FM/双塔）
百级候选（10^2~10^3）
   ↓  粗排（轻量多任务）
几十候选（10~100）
   ↓  精排（核心排序决策）
最终Top K曝光（5~10）

一句话总结：

精排是“大脑级模型”，它不再过滤低质量内容，而是给剩下的优质候选“排座次”。它的目标不是“不错”，而是“最优”。

---

二、精排的核心目标：统一多个目标，输出一个最优曝光结果

精排需要在一个模型/一套分数体系内同时兼顾：

目标类别	典型指标	精排中承担的任务
短期目标	CTR / CVR / GMV	保证即时效果：点得多、买得多
长期目标	留存、复访率、用户活跃度	确保生态健康：不是靠骗点击续命
内容生态目标	多样性、新内容曝光率	避免系统陷入“信息黑洞”
约束目标	业务规则、曝光策略	广告比例、强运营内容等

因此精排模型的本质使命不是预测，而是：

在复杂目标之间做价值平衡，并最终最大化长期收益

而非像粗排一样：

“只要快速过滤并不犯大错”

---

三、为什么精排必须更复杂？——业务和数据都决定了它“不能简单”

精排面对的是更少的数据量但更高的数据价值：

维度	粗排	精排
输入样本	100~1000	10~100
模型复杂度	中	高
时延要求	低	中（但仍需 ms 级）
目标	不犯错	做最优
关注问题	“相关性”	“排序正确性 + 收益博弈 + 长短期平衡”

因此精排通常具有以下技术特征：

多任务模型（MTL）
多目标优化（Multi-Objective）
Pairwise / Listwise 排序学习
特征极其丰富（用户物品环境*场景）
使用更先进结构（DIN / DIEN / DeepFM / ESMM / DCN / Transformer / 强化学习 / 序列模型）

一句话：

粗排像“大筛子”，精排像“外科手术刀”。

---

四、精排模型和粗排最大的区别

项目	粗排模型	精排模型
核心方式	Pointwise + Multi-Task	Pairwise / Listwise + 强 MTL
权衡目标	CTR&CVR（轻权衡）	收益 + 体验 + 长期目标（重权衡）
特征依赖	轻特征为主	行为序列、跨域特征、注意力特征大量引入
模型结构	多专家 / 双塔轻结构	DIN / DIEN / Transformer / RL / 序列模型为主
数据关注点	相关性	排序性（Rank）

通俗总结一句：

粗排判断“喜不喜欢”，精排判断“到底有多喜欢并第几名”。

---

五、这一节的重点记住 1 句话

精排是推荐系统的核心决策大脑——它通过复杂特征、更强模型和多目标平衡策略，给候选内容做“最优曝光排序”，本质是收益最大化问题，而不是简单预测问题。

到这一节为止，你应该明白：

精排负责什么
精排为什么至关重要
精排为什么必须比粗排更复杂
精排的本质是多目标决策，而不是单一预测