【推荐系统】推荐算法：冷启动-召回-粗排-精排-重排 解读

最新推荐文章于 2025-03-29 21:15:12 发布
最新推荐文章于 2025-03-29 21:15:12 发布
阅读量2.6k 收藏 12
点赞数 2
分类专栏： 推荐系统 方法介绍 搜广推等—算法面经 文章标签： 推荐算法 python 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_51392112/article/details/134140490
版权
本文深入解析推荐系统中的各个环节，包括冷启动（用户和物品冷启动）、召回策略、粗排算法、精排模型以及重排策略。冷启动通过用户注册信息、好物推荐、社交网络等方式解决新用户和物品的推荐问题。召回阶段主要任务是从海量物品中筛选出用户可能感兴趣的物品。粗排和精排则进一步提升推荐的准确性和效率。重排阶段通过调权、强插、过滤等手段优化用户多样性体验。整个推荐系统层层递进，旨在提供精准且多样化的推荐服务。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【推荐系统】推荐算法：冷启动-召回-粗排-精排-重排 解读

文章目录

在这里插入图片描述

1. 介绍

目前工业界的推荐系统没有办法一次性对所有的候选item（量级上亿）去做预估，因此需要通过不同环节去处理庞大的候选池。每一层都是各司其职，冷启动决定用户初始体验，召回决定天花板，粗排为了性能效率，精排决定最终推荐精度、重排可以提升用户的多样性体验。目前市面上比较成熟的推荐系统分为：冷启动、召回、粗排、精排、重排五个阶段，

  • 冷启动 相对而言很多时候是自成体系的，其主要起到的作用有两方面，
    • 第一是item冷启动，即让新入库的item得到足够曝光，从而让一些新的高质量item能够迅速蹿起，从而快速下发给用户，满足用户的兴趣和需求。
    • 第二是user冷启动，即新来了一个用户，怎么才能迅速找到用户的兴趣点，推送给用户感兴趣的内容，让用户留存下来，增强用户的粘性，从而让新用户转化为忠实用户。
    </
了解本专栏 订阅专栏 解锁全文 超级会员免费看
推荐系统[四]：精排-详解排序算法LTR (Learning to Rank): poitwise, pairwise, listwise相关评价指标，超详细知识指南。
丨汀、的博客
02-27 3695
Learning to Rank (LTR)是一类技术方法，主要利用机器学习算法解决实际中的排序问题。传统的机器学习主要解决的问题是一个分类或者回归问题，比如对一个样本数据预测对应的类别或者预测一个数值分值。而LTR解决的是一个排序问题，对一个list的item进行一个排序，所以LTR并不太关注这个list的每个item具体得多少分值，更关注所有item的相对顺序。排序通常是信息检索的核心成分，所以LTR最常见的应用是搜索场景，对召回的document进行排序。
搜索推荐系统专栏简介：搜索推荐全流程讲解（召回粗排精排重排混排）、系统架构、常见问题、算法项目实战总结、技术细节以及项目实战（含码源）
丨汀、的博客
04-12 8040
推荐系统[八]算法实践总结V1：腾讯音乐全民K歌推荐系统架构及粗排设计推荐系统[八]算法实践总结V2：排序学习框架(特征提取标签获取方式)以及京东推荐算法精排技术实战推荐系统[八]算法实践总结V3：重排在快手短视频推荐系统中的应用and手淘信息流多兴趣多目标重排技术推荐系统[八]算法实践总结V4：混排算法在淘宝信息流第四代混排调控框架实战，提升推荐实时性捕捉实时兴趣。
一文看懂推荐系统：概要02：推荐系统的链路，从召回粗排，到精排，到重排，最终推荐展示给用户
weixin_46838716的博客
08-03 6521
（1）找工作投简历的话，你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来，这样才能契合公司招聘需求，否则它直接把简历给你挂了 （2）你到底是要进公司做推荐系统方向？还是纯cv方向？还是NLP方向？还是语音方向？还是深度学习机器学习技术中台？还是硬件？还是前端开发？后端开发？测试开发？产品？人力？行政？这些你不可能啥都会，你需要找准一个方向，自己有积累，才能去投递，否则面试官跟你聊什么呢？ （3）今日推荐系统学习经验：推荐系统的目标是从物品的数据库中选出几十个物品展示给用户，推荐系统的链路分为召回、粗
推荐系统的主要四个阶段（召回、粗排、精排、重排）
热门推荐
记录知识，学习分享
05-10 1万+
传统划分： 1、召回 根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品。 特点：速度快。 2、排序 可以融入较多特征，使用复杂模型，来精准地做个性化推荐。 特点：结果精准。 精细划分： 1、召回（多路召回） 根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品。 2、粗排（可用可不用，根据场景选择） 通过少量用户和物品特征，简单模型，对召回的结果进行个粗略的排序，保证一定精准的前提下，进一步减少选取的物品数量。 作用：防止用户召回环..
从召回、粗排到精排：揭秘推荐系统如何精准匹配用户需求
最新发布
lihuayong的专栏
03-29 803
在推荐系统或搜索系统中，“**粗排**”和“**精排**”是排序（Ranking）流程中的两个关键阶段，主要用于从海量候选集中筛选出最符合用户需求的条目。两者的核心区别在于**计算效率与精度的权衡**。
【推荐算法】冷启动
qq_36643449的博客
01-20 2661
具体地讲，根据数据匮乏情况的不同，冷启动问题主要分为 3 类： 用户冷启动：新用户注册后，没有历史行为数据。 物品冷启动：新物品上架后，没有用户对该物品的交互数据。主要解决如何将新的物品推荐给可能对它感兴趣的用户这一问题。 系统冷启动：新系统上线时，缺乏所有历史相关数据。如何在一个新开发的网站上（还没有用户，也没有用户行为，只有一些物品的信息）设计个性化推荐系统，从而在网站刚发布时就让用户体验到个性化推荐服务这一问题。 可以把主流的冷启动策略归纳为以下三类： 基于规则的冷启动过程； 丰富冷启动过程中可
推荐系统技术演进趋势：从召回到排序再到重排
weixin_41046245的博客
12-31 1669
从张俊林老师的知乎里面转载的。 张俊林 推荐系统技术，总体而言，与NLP和图像领域比，发展速度不算太快。不过最近两年，由于深度学习等一些新技术的引入，总体还是表现出了一些比较明显的技术发展趋势。这篇文章试图从推荐系统几个环节，以及不同的技术角度，来对目前推荐技术的比较彰显的技术趋势做个归纳。个人判断较多，偏颇难免，所以还请谨慎参考。 在写技术趋势前，照例还是对推荐系统的宏观架构做个简单说明，...
全链路总结！推荐算法召回-粗排-精排
Kaiyuan_sjtu的博客
10-10 1578
作者|Salonsai 整理|NewBeeNLPhttps://zhuanlan.zhihu.com/p/463021052大家好，这里是NewBeeNLP。现在的推荐系统都是一个很大的漏斗，将整个推荐系统分为（recall -> pre-rank -> rank -> rerank）。推荐链路因为当前的系统没有办法一次性对所有的候选item（量级上亿）去做预估，因此...
推荐算法——冷启动算法调研
iwtbs
03-18 2726
文章目录讨论内容平台准备其他平台信息整合：做好文章画像新用户到来初期丰富用户画像，基于内容推荐上下文推荐热度退减快速试探冷启动用户操作一段时间后评估冷启动效果判定冷启动阶段结束策略迁移一些讨论 微信面试一直在讨论冷启动，然后给我提了一个任务是，让我就讨论内容查找资料，两天时间出个报告发给他。 讨论内容 如何做用户冷启动 如何做文章冷启动 冷启动效果如何评估，具体怎么实现 pipline收敛 首...
深度 | 推荐系统如何冷启动？
AI科技大本营
04-07 3252
作者 |gongyouliu出品 | 大数据与人工智能冷启动是推荐系统的重要挑战之一。那么，什么是冷启动？如何设计一个好的冷启动方案？可能很多读者还不是特别了解，本文将...
2021-06-05 推荐系统技术演进趋势：召回-＞排序-＞重排
anqi3776的博客
06-05 587
推荐系统技术演进趋势：召回->排序->重排 实际的工业推荐系统，如果粗分的化，经常讲的有两个阶段。首先是召回，主要根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品，然后交给排序环节，排序环节可以融入较多特征，使用复杂模型，来精准地做个性化推荐。召回强调快，排序强调准。当然，这是传统角度看推荐这个事情。 但是，如果我们更细致地看实用的推荐系统，一般会有四个环节，如下图所示： 四个环节分别是：召回、粗排、精排和重排。召回目的如上所述；有时候因为每个用户召回环节返回的物品
融合用户属性信息的冷启动推荐算法
10-16
协同过滤算法广泛应用于个性化推荐系统中。现有的基于社群相似性的协同过滤算法在新用户新商品的冷启动场景中难以使用，性能较差。对此，提出了一种基于矩阵分解和神经网络映射的冷启动推荐算法。首先，使用矩阵分解方法求出用户在潜在兴趣空间的向量表示；然后，训练神经网络学习从用户属性数据到潜在兴趣向量的映射关系；最后，融合用户的历史评分数据与属性数据各自生成的兴趣向量，给出平滑的推荐预测值。实验表明，当用户的评分记录很少时，预测性能有明显提升，融合用户的属性信息能较好地改善“冷启动”情况下推荐系统的性能。
推荐算法 DAY1（推荐算法概述，推荐系统架构，召回，粗排，精排，重排，混排）
feifeikon的博客
11-24 1110
本教程主要是针对具有机器学习基础并想找推荐算法岗位的同学。教程内容由推荐系统概述、推荐算法基础、推荐系统实战和推荐系统面经四个部分组成。本教程对于入门推荐算法的同学来说，可以从推荐算法的基础到实战再到面试，形成一个闭环。每个部分的详细内容如下： 推荐系统概述。这部分内容会从推荐系统的意义及应用，到架构及相关的技术栈做一个概述性的总结，目的是为了让初学者更加了解推荐系统。 推荐系统算法基
图文并茂！推荐算法架构——粗排
QcloudCommunity的博客
04-20 318
导语|粗排是介于召回和精排之间的一个模块，是典型的精度与性能之间trade-off的产物。理解粗排各技术细节，一定要时刻把精度和性能放在心中。在上篇《详细解读！推荐算法架构——召回》中我们结合算法架构召回进行解读分析，本篇将深入重排这个模块进行阐述。一、总体架构粗排是介于召回和精排之间的一个模块。它从召回获取上万的候选item，输出几百上千的item给精排，是典型的精...
推荐算法——冷启动问题
wyyang2的博客
03-30 1677
转自 作者：iwtbs 链接：https://www.zhihu.com/question/19843390/answer/1671468403 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 冷启动一般分为三类，用户冷启动、物品冷启动还有系统冷启动。 之所以叫冷启，就是因为没有太多数据和特征来训练模型，所以往往要用一些不同的方法来达到目的。这个目的不只是提高点击等消费指标，更深层的可能会极大的带动业务增长，提升产品的天花板。冷启有必要花时间做么 在最近深入做项目之前
推荐系统重排：DPP 多样性算法
进一步有进一步的欢喜~
01-05 1930
行列式点过程（DPP）作为一种强大的数学工具，已经在多个领域展现了其独特的优势。通过不断的技术创新和优化，DPP不仅能够有效地解决实际问题，还能为未来的个性化推荐和服务提供更多的可能性。希望本文能为广大读者提供一个全面了解DPP的机会，并激发更多关于这一领域的研究和探索。
推荐算法：重排
qq_34517343的博客
10-19 996
精排：给定n个候选物品，模型打分reward1，…贪心算法每轮从R中选一个，先用规则排除一部分得到R‘，再求解选择。精排给定n个候选物品，模型打分reward1，…面积：底×高（根据投影计算），衡量多样性，面积/体积大→多样性。随着S变大，相似物品越来越多，物品向量趋近线性相关，设置滑动窗口W，选中最近的10个物品，用W代替S。每一轮先用规则排除掉R中的部分物品，得到子集R’rewardn，选k个。要求k个物品，需要求解公式k次，总时间复杂度。因为随着S增大，sim约等于1，MMR失效。
推荐算法冷启动及推荐算法简介~
weixin_43894652的博客
01-06 524
随着机器学习技术的逐渐发展与完善，推荐系统也逐渐运用机器学习的思想来进行推荐。基于K最近邻的协同过滤推荐其实本质上就是MemoryBased CF，只不过在选取近邻的时候，加上K最近邻的限制。但由于我们的原始数据较少，这里我们的KNN方法的效果会比纯粹的MemoryBasedCF要差。利用物品的内容信息，将新物品先投放给曾经喜欢过和它内容相似的其他物品的用户。基于内容的推荐和协同过滤的推荐结果都计算出来 加权求和得到最终推荐结果。修改所有的选取近邻的地方的代码，根据相似度来选取K个最近邻。
【推荐系统】推荐系统-基础算法 冷启动、及深度学习在冷启动上的应用
m0_51933492的博客
09-05 1841
冷启动在推荐系统中表示该系统积累数据量过少，无法给新用户做个性化推荐的问题，这是产品推荐的一大难题。每个有推荐功能的产品都会遇到冷启动的问题。一方面，当新商品时上架也会遇到冷启动的问题，没有收集到任何一个用户对其浏览、点击或者购买的行为，也无从判断如何将商品进行推荐；另一方面，新用户到来的时候，如果没有他在应用上的行为数据，也无法预测其兴趣，如果给用户的推荐千篇一律，没有亮点，会使用户在一开始就对产品失去兴趣，从而放弃使用。所以在冷启动的时候要同时考虑用户的冷启动和物品的冷启动。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

秋冬无暖阳°

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值