第一步:召回,从物品的数据库中快速取回一些物品。例子:当用户刷新小红书时,系统会同时调用几十条调回通道,每条召回通道取回几十或几百篇笔记,一共几千篇笔记。
召回结束后需要从几千篇笔记中选出用户最感兴趣的
第二步:粗排,用规律比较小的机器学习模型给几千篇笔记逐一打分,按照分数做排序和截断,保留分数比较高的几百票笔记
第三步:精排,用大规模的神经网络给几百票笔记逐一打分,精排的分数反应用户对笔记的兴趣,精排之后可以做截断也可以不做,小红书的精排不做截断
第四步:重排,根据精排分数和多样性分数重新抽样,得到几十篇笔记,然后把相似内容打散,插入广告和运营内容
召回
粗排、精排
重排
两个依据:精排分数的大学和多样性。
并且需要用规则打散相似内容,我们不能把内容过于相似的笔记排在相邻的位置上