1 粗排基本模型
粗排目前已经基本模型化,一般基于双塔内积模型,item与user特征尽量分离,从而可以实现item embedding离线存储,使得线上predict低延迟。由于一次打分是针对同一个用户的,故user侧只需要实时计算一次即可,速度也很快。
2 粗排优化点
粗行优化主要包括:
- 精排蒸馏:精排模型作为teacher,对粗排模型进行蒸馏学习,从而提升粗排效果,这已经成为了目前粗排训练基本范式
- 轻量级特征交叉:特征交叉在排序中的重要性毋庸置疑,但做交叉会带来item embedding无法离线存储,以及计算量过大的问题。目前有一些轻量级的特征交叉方案,比如阿里的COLD,加入了cross feature,并通过SE block进行特征裁剪,在满足latency的基础上,提升粗排效果。这儿先不赘述了,以后详细分析。
版权声明:本文为博主谢杨易原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/u013510838/article/details/123033480