粗排

前期融合和后期融合 #card

• 前期融合:先对所有特征做 concatenation， 再输入神经网络。
  • 线上推理代价大:如果有 𝑛 篇候选笔记，整 个大模型要做 𝑛 次推理。
• 后期融合:把用户、物品特征分别输入不同的神经 网络，不对用户、物品特征做融合。
  • 线上计算量小:
    • 用户塔只需要做一次线上推理，计算用户表征 𝐚。
    • 物品表征 𝐛 事先储存在向量数据库中，物品塔在线 上不做推理。

粗排模型和精排相比需要考虑的问题 #card

• 1、模型需要兼顾计算性能和效果；
• 2、打分样本空间分布与精排不一致（精排对粗排返回的样本做排序，粗排则要对召回的样本打分）

静态分排序

ssb 问题

[[粗排样本选择]] #card

• 正样本：精排曝光点击
• hard neg： 精排曝光未点击
• mid neg：精排未曝光
• easy neg： 没有进入精排，一般全局随机采样

网络回响