一文看懂推荐系统：排序03：预估分数融合

提示：最近系统性地学习推荐系统的课程。我们以小红书的场景为例，讲工业界的推荐系统。
我只讲工业界实际有用的技术。说实话，工业界的技术远远领先学术界，在公开渠道看到的书、论文跟工业界的实践有很大的gap，
看书学不到推荐系统的关键技术。
看书学不到推荐系统的关键技术。
看书学不到推荐系统的关键技术。

王树森娓娓道来**《小红书的推荐系统》**
GitHub资料连接：http://wangshusen.github.io/
B站视频合集：https://space.bilibili.com/1369507485/channel/seriesdetail?sid=2249610

基础知识：
【1】一文看懂推荐系统：概要01：推荐系统的基本概念
【2】一文看懂推荐系统：概要02：推荐系统的链路，从召回粗排，到精排，到重排，最终推荐展示给用户
【3】一文看懂推荐系统：召回01：基于物品的协同过滤（ItemCF），item-based Collaboration Filter的核心思想与推荐过程
【4】一文看懂推荐系统：召回02：Swing 模型，和itemCF很相似，区别在于计算相似度的方法不一样
【5】一文看懂推荐系统：召回03：基于用户的协同过滤（UserCF）,要计算用户之间的相似度
【6】一文看懂推荐系统：召回04：离散特征处理，one-hot编码和embedding特征嵌入
【7】一文看懂推荐系统：召回05：矩阵补充、最近邻查找，工业界基本不用了，但是有助于理解双塔模型
【8】一文看懂推荐系统：召回06：双塔模型——模型结构、训练方法，召回模型是后期融合特征，排序模型是前期融合特征
【9】一文看懂推荐系统：召回07：双塔模型——正负样本的选择，召回的目的是区分感兴趣和不感兴趣的，精排是区分感兴趣和非常感兴趣的
【10】一文看懂推荐系统：召回08：双塔模型——线上服务需要离线存物品向量、模型更新分为全量更新和增量更新
【11】一文看懂推荐系统：召回09：地理位置召回、作者召回、缓存召回
【12】一文看懂推荐系统：排序01：多目标模型
【13】一文看懂推荐系统：排序02：Multi-gate Mixture-of-Experts (MMoE)

---

提示：文章目录

---

预估分数融合

前几节讲了多目标排序模型，

多目标模型输出对点击率、点赞率等指标的预估，

这节讲怎样去融合多个预估分数，

最简单的分数融合方法就是求各种预估值的加权和

这第1项p click意思是模型预估的点击率，它的权重是一，
这第2项p like是模型预估的点赞率，它的权重是W1，
后面还有很多项，包括预估的收藏率、转发率、评论率等等。

这是另一种简单的容分公式，

括号外面是点击率的预估，括号里面是很多项的加权和。

这个公式有实际意义
p click乘以一
就是预估的点击率p click
p click乘以p like意思是曝光之后用户点赞的概率，
为什么？

P click是曝光之后用户点击的概率。
P like是点击进去之后，用户在点赞的概率，
两者相乘就是曝光之后用户点赞的概率。

这里讲的两种融合公式都很简单，在工业界都挺常用。
海外某短视频APP用这样的融分公式

跟前面讲的加权和有些区别。
p time的意思是预估短视频的观看时长，比如预测用户会观看十秒，
整个这一项是一加上w1乘以p time再取alpha1次方。
这里的W1和alpha1都是超参数，需要手动调现场做ab测试，选出合适超参数，

这第2项类似是对点赞率的函数变换，用了不同的超参数，有很多个预估指标，做函数变换，得到很多项，
把它们取连成作为最终的融合份数。

抖一抖短视频的融分公式完全和常规不同

国内某个老铁的抖一抖视频APP的融分公式很有意思，跟前面介绍的几种方法完全不一样。

其中标排序模型给N个候选视频打分，得到预估的播放时长、点击率、点赞率、转发率等指标。

以预估时长p time为例，暂且只用p time这一个分数对N个候选视频做排序，
如果某个视频的排名是r time，
则它的分数为一除以r time的alpha1次方 加Beta
公式里的alph和Beta都是需要调的超参数。
很显然，预估的播放时长越长，排名就越靠前，R time就越小，最终得分就越高，

上面按照预估的播放时长做排序，得到一个分数。
如果按照预估的点击率做排序，会得到另一个分数，
由点击，点赞，转发，评论等很多指标，那么一个视频会有很多排名，
每一个排名变成一个分数，对所有这些分数求加权和，就是最终的融合分数。
这个融分公式跟前几种都不太一样，

这里不是直接用预估的分数，而是用每个公式中的r time， r click， r like是某篇笔记的三个排名，
分别是按照预估时长、预估点击率和预估点赞率做排序，得到的分数，

国内某电商的容分公式

电商的转化流程是这样的，曝光、点击、加购物车，最后是付款模型。

要预估中间每一步的转化率，包括从曝光到点击，从点击到加购物车，从加购物车到付款，上面那个是最终的容分公式。

把预估的点击率加购物车率付款率、物品价格都乘起来，
指数阿尔法一到阿尔法4是超参数需要调。
假如阿尔法一到，阿尔法四都等于一，
那么这个公式就是电商的营收有很明确的物理意义——即成交价格

这节简要介绍了工业界排序的几种融分公式，加权、排序加权、转化率连乘等

---

总结

提示：如何系统地学习推荐系统，本系列文章可以帮到你

（1）找工作投简历的话，你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来，这样才能契合公司招聘需求，否则它直接把简历给你挂了
（2）你到底是要进公司做推荐系统方向？还是纯cv方向？还是NLP方向？还是语音方向？还是深度学习机器学习技术中台？还是硬件？还是前端开发？后端开发？测试开发？产品？人力？行政？这些你不可能啥都会，你需要找准一个方向，自己有积累，才能去投递，否则面试官跟你聊什么呢？
（3）今日推荐系统学习经验：这节简要介绍了工业界排序的几种融分公式，加权、排序加权、转化率连乘等