[推荐系统]粗排之引言

1 什么是粗排

粗排英文叫pre-ranking，即在排序之前的部分，主要是通过召回获取了足够多的候选物料集，这时候虽然可以一股脑的全堆给后面的排序，但是假如候选集过大，排序模型过于复杂，那么排序阶段会耗时过长；这时候可以增加一个粗排，用来做进一步的筛选，将数据量进一步降下去。

粗排的进展还是较慢的，因为也不是每个推荐系统都有粗排这一步,下面是随便从知乎找的：

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

2 粗排的结构

可以看出，粗排领域的模型还是没有和精排领域一样百花齐放的，不过如下图所示

从上图中可以看出,我们可以从多种角度去划分粗排的结构，并进行优化，可分为样本，特征，模型三部分：

其训练样本类似于精排，选取曝光点击为正样本，曝光未点击为负样本。但由于粗排一般面向上万的候选集，而精排只有几百上千，其解空间大很多。只使用曝光样本作为训练，但却要对曝光和非曝光同时预测，存在严重的样本选择偏差（SSB问题），导致训练与预测不一致。相比精排，显然粗排的SSB问题更严重。

2.1 粗排的原则

粗排延迟要求高，一般只有10ms~20ms，远低于精排的要求

SSB问题：粗排解空间比精排大很多，和精排一样只使用曝光样本，导致严重的样本选择偏差问题。

3 粗排的历史发展

如上图所示，到2021年可分为4个阶段，当然现在增加了诸如AutoFAS等自动化机器学习的更新的模型阶段

3.1 早期

第一代：
人工规则策略，可以基于后验统计，构建一个人工规则。比如融合item的历史CTR、CVR、类目价格档、销量等比较核心的因子。人工规则准确率低，也没有个性化，也不可能实时更新。

第二代：

早期的则是逻辑回归（Logistics Regression，LR），因为其模型简单和有一定的模型表达能力，可以进行在线的更新和模型打分，因此应用十分广泛。

后期则是演变到了以GBDT为代表的树模型，相比LR，其个性化表达能力更加突出，结构简单，成为了各大公司的排序宠儿。

再往后则是GBDT的演进版，XGB、Light GBM、GBDT+LR等技术，但其都是属于机器学习模型时代的优秀产物，其都是先在精排侧取得了不错的效果之后，过渡到粗排模型的。

3.2 基于向量内机的深度学习模型

这也是第三代，DSSM双塔内积深度模型，也是目前应用最广泛的粗排模型。它将user和item进行解耦合，分别通过两个Tower独立构建。从而可以实现item向量离线存储，降低线上predict延迟。

item和user均离线存储。这个方案只需要计算user和item的内积即可，计算延迟低。由于user是离线存储的，故可以使用复杂的模型，提升表达能力。但user侧的实时性较差，对于用户行为不能实时捕捉。

item离线，user实时。item相对user，实时性要求没那么高。由于一次打分是针对同一个用户的，故user侧只需要实时计算一次即可，速度也很快。目前这个方案使用较多

经典的DSSM模型优点很多，目前在粗排上广泛应用，其最核心的缺点就是缺乏特征交叉能力。正所谓成也萧何败萧何，正是由于user和item分离，使得DSSM性能很高。但反过来也是由于二者缺乏交叉，导致模型表达能力不足，精度下降。典型的精度和性能之间的trade-off。

3.3 交叉特征的深度学习模型

第四代，即考虑怎么交叉特征：
item和user隔离，导致二者没有特征交叉能力，模型表达能力弱。故又提出了以COLD为代表的第四代模型，轻量级MLP粗排模型。它通过SE block实现特征裁剪，并配合网络剪枝和工程优化，可以实现精度和性能之间的trade-off

标签：样本,推荐,精排,引言,item,user,模型,粗排
From： https://www.cnblogs.com/shouhuxianjian/p/16383193.html