M7-055M7: 检索、排序与推荐系统推荐系统基础Medium
⚡闪卡盲测➔掌握度:

解释召回-排序两阶段架构的必然性

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M7-056 →
📐 核心数学机理公式
recall: 106→103;rank: 103→10;compute budget is fixed\text{recall}:\ 10^6\to10^3;\qquad \text{rank}:\ 10^3\to10;\qquad \text{compute budget is fixed}
⚡ 一句话直击要害答案
召回从百万级取千级(多路、快);排序对千级精排(慢、准);两阶段是算力约束下的必然。

📌 核心要点提炼

  • •
    召回:百万→千(多路、双塔/CF/热门,快)
  • •
    排序:千→十(深度模型,准、慢)
  • •
    为什么分两阶段:算力预算固定,不能对百万级用重模型

📐 数学机理与严密推导

数学机理:两阶段架构的必然性——(1) 算力约束——用深度排序模型(含大量特征、数十层网络)对百万级物品打分不可行(算力 ∝ 物品数 × 单次成本);故需先粗筛:用廉价方法把候选从百万降到千,再用昂贵方法精排。(2) 召回阶段——(a) 目标——高召回(尽量不漏掉用户可能喜欢的);(b) 方法——多路召回(i2i/u2i/热门/新品/向量检索)+ 融合(见多路召回题);(c) 模型——双塔(可用 ANN)、ItemCF、热门、规则;(d) 特点——快(毫秒级)、简单特征、可扩展。(3) 排序阶段——(a) 目标——高精度(把最相关的排前面);(b) 模型——深度模型(Wide&Deep/DeepFM/DIN/MMoE 等),用丰富特征(用户/物品/上下文/交叉);(c) 特点——慢(数十毫秒)、特征多、模型复杂。(4) 两阶段的'目标错配'——(a) 召回优化'召回率'(是否包含相关物品);(b) 排序优化'排序质量'(NDCG/CTR);(c) 故'召回最优 ≠ 排序最优'(与检索的错配同源);(d) 对策——蒸馏(用排序模型蒸馏召回)、共享特征、端到端训练(难)。(5) 实际架构——常为多级:(a) 召回(百万→千);(b) 粗排(千→百,用轻量模型);(c) 精排(百→十,用深度模型);(d) 重排(多样性/业务规则)。(6) 评估——(a) 召回——Recall@k(是否漏掉相关物品)、覆盖率;(b) 排序——AUC/GAUC(CTR 预估)、NDCG;(c) 端到端——在线 CTR/时长/GMV。与其他问题的关系——(a) 与'检索的级联'同源;(b) 与'多目标'(排序阶段的多目标融合);(c) 与'位置偏置'(排序的训练数据有偏)。实践建议——(a) 保证召回率(Recall@1000 要高);(b) 多路召回 + 融合;(c) 粗排用轻量模型(省算力);(d) 精排用深度模型 + 丰富特征;(e) 重排处理多样性与业务规则;(f) 监控各阶段(召回率、延迟、增量收益)。度量——(a) 各阶段召回率/精度;(b) 延迟(P50/P99);(c) 端到端在线指标;(d) 各阶段增量收益。

🏭 深度剖析与工业落地权衡

深度剖析与工程权衡:① '算力预算是分阶段的根本原因'——不能对百万级用重模型;面试中能指出这一点是深度理解的标志。② '召回的评估是 Recall@k'——这是最容易被忽视的指标(很多团队只看端到端);但召回率决定上限。③ '两阶段的目标错配'——与检索的错配同源;故需蒸馏/共享特征。④ '粗排'常被省略但重要——它用轻量模型把千降到百(进一步省算力);是'三级架构'的中间层。⑤ '重排'处理业务需求——多样性/新品/合规等;这些不适合放在精排(因为精排优化 CTR)。⑥ 面试要点——被问'为什么分召回和排序',应给出'算力预算固定 + 召回保高召回(多路/快)/ 排序保高精度(深度/慢)+ 目标错配与对策';能指出'召回率决定上限'是深度理解的标志。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    用深度模型对全库打分(算力不可行)
  • ✕
    只看端到端指标(忽略召回率)
🎯 面试官连环追问与延伸考察
  • ?
    召回的评估指标?
  • ?
    两阶段的'目标错配'?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M7-054: 解释隐式反馈与显式反馈的差异与处理📋 返回题库下一题 →M7-056: 解释序列推荐与用户行为建模