推荐算法架构2：粗排

已于 2024-05-29 14:45:46 修改
阅读量4.2k 收藏 13
点赞数 9
分类专栏： 深度学习：搜索推荐、NLP、机器学习等 文章标签： 推荐算法 架构 python 粗排
于 2022-02-20 20:41:41 首次发布
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/u013510838/article/details/123033480
版权
本文介绍了推荐算法中的粗排模块，包括总体架构、数据样本、特征工程和深度模型。粗排作为召回和精排间的环节，处理上万候选item并输出数百上千item给精排。内容涵盖样本选择偏差（SSB问题）、模型优化方法如精排蒸馏和特征交叉，以及性能优化策略，强调在精度与性能间的权衡。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文 超级会员免费看
谢杨易
关注
专栏目录
订阅专栏
【推荐系统】推荐算法：冷启动-召回-粗排-精排-重排 解读
Danger的博客
10-31 1921
【推荐系统】推荐算法：冷启动-召回-粗排-精排-重排 解读
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..
图文并茂！推荐算法架构——粗排
QcloudCommunity的博客
04-20 223
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...
一文看懂推荐系统：排序06：粗排三塔模型，性能介于双塔模型和精排模型之间
weixin_46838716的博客
08-22 6117
这节介绍了粗排的三叉模型，它介于双塔模型和精排牌模型之间。
推荐系统算法框架
qfikh的博客
03-05 1570
在介绍矩阵分解之前，先让我们明确下推荐系统的场景以及矩阵分解的原理。对于推荐系统来说存在两大场景即评分预测（rating prediction）与Top-N推荐（item recommendation，item ranking）。 评分预测场景主要用于评价网站，比如用户给自己看过的电影评多少分（MovieLens），或者用户给自己看过的书籍评价多少分。其中矩阵分解技术主要应用于该场景。 Top...
深度解析开源推荐算法框架EasyRec的核心概念和优势
阿里云云栖号
12-27 1614
简介：如何通过机器学习PAI实现快速构建推荐模型 作者：程孟力 - 机器学习PAI团队 随着移动app的普及，个性化推荐和广告成为很多app不可或缺的一部分。他们在改善用户体验和提升app的收益方面带来了巨大的提升。深度学习在搜广推领域的应用也已经非常深入，并且给各种场景的效果带来了巨大的提升。针对推荐流程的各个阶段，业界已经有很多的模型，这些模型大部分也有开源的实现，但是这些实现通常散落在github的各个角落，其数据处理和特征构造的方式各有差异。如果我们想要在一个新的场景里面应用这些模型，通常需要做
推荐系统中粗排扮演的角色和算法发展历程
m0_37586850的博客
10-13 502
猜你喜欢1、如何搭建一套个性化推荐系统？2、某视频APP推荐详解（万字长文）3、微博推荐算法实践与机器学习平台演进4、腾讯PCG推荐系统应用实践5、强化学习算法在京东广告序列推荐场景的应用...
推荐系统之粗排
最新发布
bug01111的博客
04-21 825
推荐系统通常分为多个阶段，其中粗排（Coarse Ranking）或召回（Recall）阶段是推荐流程中的第一步。在这个阶段，目标是从可能包含数百万甚至数十亿候选项的大型库存中快速地召回一小部分与用户相关的候选项。粗排算法需要高效且能够处理大规模数据，因为它们需要在毫秒级响应时间内返回结果。
推荐系统算法框架设计
s840993622的博客
09-17 1099
推荐系统的核心即是探索item-item、user-item、user-user的关系，然后通过一种方法把这种关系量化或可视化，或许这般说法太过于简化了，仔细的思考过后会发现并不那么容易，让机器发现尿不湿与啤酒的关系，或许并不是很难，而现在是个性化推荐，不只是尿不湿和啤酒的关系，而是什么样子的尿不湿和什么样子的啤酒给什么样子的人推荐，或者说中间还需要奶粉等等很多很多，item千千万，user动辄上...
算法框架-一文了解深度推荐算法的演进
iFlyAI的博客
07-06 1047
近些年，随着深度学习理论，GPU 和 CPU 等计算机硬件，TensorFlow、Caffe、PyTorch 等算法平台的发展，深度学习算法在个性化推荐、计算机视觉、自然语言处理、语音识别等领域大放光彩。本文从神经网络结构的角度梳理深度推荐算法的发展，把近几年业界主流的算法归纳为四个阶段的网络结构：Embedding+MLP 的网络结构，基于特征组合的网络结构，基于用户行为序列的网络结构和融入知识图谱的网络结构。 1 基于 Embedding+MLP 的网络结构 2016 年，谷歌发表的 Wide&am
1-5 对比学习视角：重新审视推荐系统的召回粗排模型-张俊林.pdf
08-18
1-5 对比学习视角：重新审视推荐系统的召回粗排模型-张俊林.pdf
推荐系统（七）知识蒸馏优化粗排模型
Jin_Kwok的博客
07-19 953
上篇文章（机器学习33：《推荐系统-VI》双塔模型）介绍了双塔模型，分析了其存在问题以及基本优化思路，本文梳理粗排模型从预估分、排序结果、特征三个方面蒸馏学习精排模型。
推荐算法知识梳理
iwtbs
01-03 2495
文章目录
全链路总结！推荐算法召回-粗排-精排
Kaiyuan_sjtu的博客
10-10 1168
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...
调研-主流推荐框架和算法（多个网络来源汇总）
weixin_42692506的博客
10-30 945
申明：本文是个调研文档，综合了参考文献中各个资源中的叙述和图，来源出处已标注具体的出处，如有侵权，请联系本人。 一.推荐框架 1.基本的推荐框架中的算法层的框架大致如下： 图1 基本推荐算法层框架 其中，召回层使用一些比较“粗糙”、非实时的算法，比如协同过滤，simrank，热度等等 排序层会进一步对召回层删选的商品进行精排，这时数据量的规模比较小，...
说一说【广告搜索推荐系统】里的粗排和精排
从事后台开发11年，欢迎关注，一起交流学习新技术
03-29 2116
等这么一些步骤，其中我们都知道，广告召回是关键步骤，同时，怎么精准预测广告曝光后的效果也是重中之重，并且在这整个过程中，耗时又是不得不考虑的事情，耗时过长，可能ADX就不会等待你的返回了。因此，怎么样既能保证我们需要的广告不被过滤，同时尽可能缩短队列，减小在线预估的计算量，就是重中之重了，因此，本文来跟大家聊一聊广告实时推荐和检索过程中的【粗排】与【精排】。
推荐系统方法梳理
weixin_44644621的博客
08-16 1446
推荐系统入门：召回、粗排、精排、重排常见算法
推荐系统[三]：粗排算法常用模型汇总(集合选择和精准预估)，技术发展历史（向量內积，Wide&Deep等模型）以及前沿技术
丨汀、的博客
02-20 2058
第一代粗排是统计模型，第二代为LR模型，目前业界使用较多的是第三代双塔模型结构，这些模型结构简单，能很好的适配时延要求，而且随着模型复杂度提升，准确率也不断提高，但双塔模型依然存在很多问题。于是有了第四代COLD、FSCD。双塔的特点特点：双塔分离：训练分离（性能制约）、部署分离（优点）信息塔内杂糅：噪声信息涌入tower-SENet解决；信息损失-ResNet；DNN信息拟合依赖-多塔并联；交叉太晚：美团增强双塔拆分user item，用tower去换取计算消耗。效果。
面向算法的架构设计
tshshrk的博客
10-25 3848
人工智能技术在过去几年的飞速发展，在研发领域带来的最大不同，或许是对算法价值的重新认识。过去的软件工程师在工作中说起算法，大多数情况指的是链表、二叉树、排序、时间复杂度等内容，而今天提及，第一反应则是机器学习和深度学习，以及它们在计算机视觉、自然语言处理、语音识别，又或推荐、广告、视频编码、路径规划等相关领域的应用。 人们期待算法解决的，一是以往无从实现的功能，二是优化现有解决方案的效率，为了让整...
评论 3
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

谢杨易

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