3. 精排模型¶
在完成候选的快速筛选之后，精排需要对千级候选进行精细化的偏好预测。这个阶段要在可接受的延迟内平衡准确性、泛化能力与稳定性。
精排模型的发展有一条比较清晰的脉络。Wide & Deep模型将线性模型的记忆能力和深度网络的泛化能力结合起来，成为了一个实用的基础框架。随着对特征交互重要性的认识加深，从FM开始，到DeepFM、xDeepFM，再到基于注意力的自动化交互建模，这些方法让模型能够更好地处理特征间的复杂关系。
考虑到用户兴趣的多样性和时序特点，序列建模技术也被引入到精排中。DIN关注用户兴趣的多样性，DIEN进一步建模兴趣演化，DSIN则处理会话序列，这些发展帮助模型更好地理解用户的动态偏好。
在实际应用中，往往需要同时优化多个目标，并且要适应不同的业务场景。多目标优化和多场景建模通过合理的架构设计、任务关系建模及动态权重策略，让精排模型能够在复杂的业务环境中取得更好的业务效果。
下面让我们进入推荐系统的核心环节——精排模型的世界。