一文带你了解得物推荐系统是如何做排序的。网友：真牛

引言

信息时代到来以后，我们被各种各样海量的信息所淹没，从新闻、广告、电商、直播、短视频等各种涉及这些场景的APP中，大量个性化的信息被推送到我们眼前。例如在使用得物APP购物的过程中，我们也常常会听到这样的问题，为什么会给我推这双鞋/这件衣服？为什么浏览收藏过的商品反复出现在推荐流中？推荐流是怎么猜测我的喜好的？推荐的排序逻辑是怎样的，都考虑了哪些因素？能不能主动增加某些类目的曝光量？这些种种的问题，都和我们的排序模型、排序逻辑有关，下面就让我们来聊聊推荐系统中是如何对商品做排序的。

图1. 得物APP首页推荐瀑布流

推荐系统

首先来简单说一下推荐系统的基本架构，借用youtube论文中的一张图片来说明。推荐系统的核心目标是从我们的总商品库中，为用户挑选出他最感兴趣的一部分商品，从而节省用户时间，也提高平台的转化效率，为交易的顺利进行提供助力。除开一些工程实现部分的细节，整个过程可以大致分为两个阶段，即召回（candidate generation）和排序（ranking），其中召回的任务是从海量商品中选取部分用户“大概率”感兴趣的商品集，而排序则负责将召回选出来的这部分商品仔细分析，按照用户可能感兴趣的程度（probability），从高到低进行排序，展示给用户观看，整个过程在毫秒级的时间内完成。

图2. 引用自论文：Deep Neural Networks for YouTube Recommendations

召回层面的策略和逻辑有很多，也演化了很长一段时间，不过这不是我们今天聊的重点，我们来详细聊聊，当我们拿到了召回结果，大概在一万件以内的规模下，模型是怎样确定他们的先后顺序的，机器怎样自动化地计算出分数来评估用户对他们的感兴趣程度的。

排序模型的发展也有很长一段时间了，从互联网逐渐兴起开始，为用户快速筛选出有价值的信息一直是一件非常核心的事。我们不妨来看看，为了完成这项任务，都经历了哪些演变过程。

先看一个简单例子，一位女性用户来到我们平台，我们可以拿到的信息有她的性别、访问时间、行为历史记录等，假设她之前逛了逛衣服，收藏了一双鞋，最近又在浏览吹风机，而我们的召回候选集中又恰好