推荐算法之粗排

一、概念

        粗排（粗粒度排序）是推荐系统中连接召回与精排的核心环节，其核心目标是在召回阶段返回的海量候选集中筛选出高潜力候选，同时满足严苛的计算效率要求。

二、定位

        推荐系统的典型链路为 召回 → 粗排 → 精排 → 重排。粗排介于召回与精排之间，其输入是召回阶段返回的候选集，输出是精排所需的候选集。至于粗排返回的候选集大小，则并没有严格的限制，需综合考虑召回数据量、应用场景等。

        推荐系统的这种级联设计的本质是效率与效果的平衡：召回追求候选集的多样性和覆盖度，粗排通过初步筛选减少精排的计算压力，精排则聚焦精细化排序。粗排的作用主要可以归纳为下面几点：

• 降低计算成本：精排模型（如深度神经网络）对单个候选的计算耗时通常为毫秒级，若直接处理召回的万级候选，总耗时将超过线上服务的时延限制（通常要求<50ms）。粗排通过过滤低价值候选，将精排的计算量压缩至可接受范围。
• 提升排序效果：粗排并非简单的 “数量裁剪”，而是通过模型预估用户偏好，保留高潜力候选，为精排提供更优质的输入。例如，电商场景中粗排可优先保留高点击率、高转化率的商品，避免精排被低质候选干扰。
• 缓解样本选择偏差：召回阶段的候选集可能存在严重的曝光偏差（仅包含历史曝光商品），粗排通过引入精排的后验信息（如点击率、转化率），可部分修正这种偏差，提升候选集的全域覆盖能力。

        历史上，粗排的发展大致经历了四个阶段：

• 规则驱动阶段（第一代）：基于人工规则（如商品销量、类目热度）进行筛选，缺乏个性化且实时性差。
• 线性模型阶段（第二代）：采用逻辑回归（LR）、梯度提升树（GBDT）等模型，通过特征工程实现初步个性化，但表达能力有限。
• 双塔模型阶段（第三代）：基于深度神经网络的双塔结构（用户塔 + 物品塔），通过向量内积快速计算相似度，成为工业界主流方案。
• 全连接模型阶段（第四代）：以COLD模型为代表，通过轻量级全连接网络支持特征交叉，结合工程优化（如特征筛选、量化）实现效果与效率的突破。

三、主流技术

        要理解粗排模型的设计逻辑，核心需紧扣其 “高吞吐量、低延迟、轻量级” 的核心诉求 —— 既要快速筛选掉绝大多数不相关候选，又要避免漏过潜在优质候选。

1.机器学习模型

        机器学习类模型的核心优势是“极致轻量化”：参数少、推理仅需简单线性/低阶计算，延迟可低至微秒级，能轻松支撑每秒百万级候选的筛选。缺点是