推荐算法的主观记录之一：粗排
从事推荐算法工作七八年了，乐在其中。它考验你的算法理论、经验、业务理解和工程能力，并将你的得与失，相对公平的通过ab指标来衡量，从而获得自我价值的满足日常工作中有很多零散的经验、知识点和思考，本系列的目的将其记录整理下来，便于自身记忆，也便于进一步深入。
万事开头难，先从相对容易梳理的粗排开始写。
一、粗排
粗排不是一个必需品。它常常是业务发展到某个阶段后，为了提高召回的优化空间，减轻精排的计算压力，应运而生的。它的作用有时要伴随着召回量的扩充才能证明。
在当下这个时间点（2022年），一个默认的粗排基线大概是双塔模型。user和item侧多层mlp，得到各自emb后，cosine->蒸馏->sigmoid->logloss；serving时item侧缓存，user侧实时计算，大致如此，无需赘言。在此基础上我们进一步讨论几个业界的优化方向。
1）精排蒸馏
2）数据增强
3）突破双塔
4）模型剪枝
5）多样性
6）粗排和召回的区别是啥
页:
[1]