多路召回的融合排序

背景：

• 一般会使用多个召回策略，互相弥补不足之处，效果也更好。
• 每个策略之间毫不相关，一般可以编写并发多线程同时进行

问题：怎样将多个召回列表融合成一个有序的列表？

1. 召回策略
   实时召回-U2I2I（Online）：几秒钟之内根据你的行为更新推荐列表，U2I即根据用户对Item的实时行为列表，然后对Item进行拓展推荐即2I
   基于内容-U2Tag2I（Outline）：离线算好用户偏好的tag，然后根据tag算相似度，推荐你可能感兴趣的Item。
   矩阵分解-U2I（Outline）：协同过滤的一种
   聚类推荐-U2U2I（Outline）：根据用户的行为对用户进行聚类。
2. 粗排
3. 精排(非必要)
   精排是非常耗时的，如果在召回步骤中找回了数千条或是数万条，进行精排的耗时较大，成本较高。可以通过粗排进行截断来降低精排的成本。

举例：几种召回策略返回的列表（Item-ID，权重）分别为

召回策略x	A:0.9	B:0.8	C:0.7
召回策略y	B:0.6	c:0.5	D:0.4
召回策略z	C:0.3	D:0.2	E:0.1

补充知识：CTR（点击率）的计算方法：
        展现日志-带召回源：X,Y,Z,X,Z,Y
        点击日志-带召回源：点击X
        每种找回的点击数/展现数=CTR

解决方法：

1. 按照顺序展示：比如策略x—>策略y—>策略z，则直接展示A、B、C、D、E（里面包含去重）
2. 平均法：分母为召回策略个数，分子为权重加和，C为（0.7+0.5+0.3）/3，B为（0.6+0.8）/3
3. 加权平均：比如为三种策略自己指定权重分别为：0.5,0.3,0.2，那么B的权重为（0.5*0.8+0.3*0.6+0.2*0）/（0.5+0.3+0.2）
4. 动态加权法：计算X/Y/Z三种召回策略的CTR，作为每天更新的动态加权
5. 机器学习权重法：逻辑回归LR分类模型预先离线算好各种召回权重，然后做加权召回。

上面的各种方法从上到下效果依次变好，但是成本依次变大。