rerank

推荐系统中的一环，考虑上下文信息对推荐结果的影响。

解决三大问题

用户体验

• 打散

  • 对同类目、同作者、相似封面图的 item 进行打散，有效防止用户疲劳和系统过度个性化
  • 打散常用的方法
    • [[分桶打散法]]
      • 不同属性 item 放入不同的桶中，一次从各桶取出 item 即可。#card
        • 比如按高中低价格分桶，排序结果价格呈现多样性
      • 简单，效果好。末尾容易扎堆，对原始序列改变大，可能带来指标的下降。
    • 权重分配法
      • 对每一个 item 定义一个分数，计算 $f(x)=\sum_i W_i *$ Count $_i$
        • w 为每个属性的权重，代表打散需求的优先级
        • Count 为同属性 item 已经出现的次数
      • fx 为打散加权分数，从低到高对 item 进行排序，完成打散。
      • 实现简单，充分考虑多种属性的叠加，扩展性强，末尾容易扎堆
    • 滑动窗口 #card
      • 在一个长度可控的滑动窗口内，同属性 item 超过一定次数后，交换出 session。
      • 考虑局部，计算量小，对原序的破坏比较低，最大限度保留相关性，也有末尾扎堆。

• 多样性

  • 评估方法
    • 数据指标分析
      • user 和 item 角度，用户曝光一二级类目数，曝光item同属一个类目的概率
      • 类目、作者、标签多个维度分析
    • 人工评估
  • 发展里程
    • 规则约束
      • 硬规则约束
      • 规则引擎
      • 个性化约束
        • 不同类目、不同时段、不同活跃度用户配置不同
    • 启发式方法：结合多样性和相关性
      • [[MMR]] 最大边缘相关模型
        • [[@The use of MMR, diversity-based reranking for reordering documents and producing summaries]]
      • [[DPP]] 点行列式矩阵
        • [[@Fast Greedy MAP Inference for Determinantal Point Process to Improve Recommendation Diversity]]
      • [[Deep-DPP]] 结合深度神经网络
        • [[@Practical Diversified Recommendations on YouTube with Determinantal Point Processes]]
    • 深度模型，加入上下文感知

算法效率

流量调控

Ref