排序1：多目标排序¶

排序的依据¶

排序主要依据用户和笔记的交互，因为这是我们推荐的目标。

• 次数型：
• 比率型：

排序模型预估点击率、点赞率、收藏率、转发率等多种分数，然后融合这些分数。然后根据融合的分数做排序和截断。 融合的方式可以是加权平均，权重就用AB测试调出来。

排序用到的特征¶

特征可以是本来就有的属性（性别），也可以是算法评估的指标（图片美学）。离散特征通常处理为embedding来计算。连续特征有多种处理方式。

在实践中，同一个指标的多种变换都会用到。例如对数变换的曝光数和平滑的曝光率会同时作为特征输入模型。

用户画像¶

物品画像¶

统计特征¶

场景特征¶

特征覆盖率¶

其实就是缺失值问题

缺失值的填充也需要考虑。例如年龄、性别的缺失很容易用算法预测进行补齐。

多目标模型¶

使用神经网络提取特征，然后基于特征计算多个输出。

损失函数：交叉熵

训练¶

训练中可能存在非常多的陷阱。例如类别不均衡：

校准¶

为什么需要校准：我们训练的时候降采样会使得模型高估点击率

校准公式：

线上服务¶

线上数据库中，用户画像的压力很小（每次只需要查询一个），但是物品画像的压力很大（每次需要查询数百条）。