4. 重排模型

在推荐系统流程中，召回阶段从海量物品中筛选出数百到数千候选，精排阶段利用复杂模型对候选集精准打分，输出按预估分数降序排列的候选列表。

然而，仅按预估分数排序的列表往往并非最优推荐结果，直接呈现给用户会面临关键挑战：

  1. 多样性缺失与审美疲劳：列表顶部高度同质化，连续推荐相似内容易引发用户厌倦，降低平台粘性和长尾内容发现机会。

  2. 上下文与整体性忽略：精排模型较少考虑列表物品间的关联性、互补性或排斥性，缺乏对整体逻辑和流畅度的考量。

重排（Re-ranking） 阶段作为推荐流程的最终优化环节，其作用是对精排输出的高质量候选列表进行全局优化，生成更能满足用户体验需求和业务目标的最终推荐列表。

本章将介绍重排阶段的核心算法技术，重点关注基于贪心和个性化的两大类主流重排策略。