电商搜索排序：粗排

本节开始介绍搜索漏斗架构中的粗排阶段，粗排阶段的目标是从约上万级别的候选中筛选出合规、相关且成交效率高的topN商品，这里N通常是上千量级。而在粗排架构下，排序分可以简化为以下表达：

本节开始介绍搜索漏斗架构中的粗排阶段，粗排阶段的目标是从约上万级别的候选中筛选出合规、相关且成交效率高的topN商品，这里N通常是上千量级。而在粗排架构下，排序分可以简化为以下表达：

其中 为业务规则分，如运营圈品提权、低信誉商家降权等规则； 为相关性分，如类目匹配分、关键词匹配分等； 为成交效率相关的排序分，如静态商品/卖家分、CTR、CVR等； 为各项权重。

以上规则分、相关性分往往可以看作是搜索排序的约束项，真正选出高成交效率的商品则主要依赖排序模型 ，该部分也是本节讨论的重点。由于候选量级较大，相对精排排序模型，这部分策略常无法回避的两个问题：1、模型需要兼顾计算性能和效果；2、打分样本空间分布与精排不一致（精排对粗排返回的样本做排序，粗排则要对召回的样本打分）。

粗排模型

对于模型而言，出于计算性能考虑，粗排模型的选择有限，最简单经典的有商品静态分、线性回归LR、DSSM双塔模型，另有很多典型的进阶优化模型，以下将分别介绍。

静态排序分

静态分是最简单的效率排序分，如1）静态商品质量分（标题质量、图片质量、价格分等），通常基于内容理解、历史统计信息等得到；2）商品/卖家效率分，仅考虑商品和卖家等维度特征的CTR/CVR预估分，可以使用如LR、DNN等模型预估，亦可以直接统计候选历史CXR表现；3）其他商品粒度分，如新品、需扶持商品分等等。静态分的算分表达式可表示为：

静态排序分通常可以离线计算，极大节省线上预测开销，但却伴随着时效性差、预估分不够精准的问题，尤其对非标品/孤品排序场景十分不友好。

LR

逻辑回归模型天然具有预测效率高的优势，因此