如果把给用户推荐视频比作大公司招人，召回是系统自动从几亿份简历里粗暴的海选出1万份，粗排是部门主管花几秒扫一眼，快速筛选出1000个
看起来靠谱的现在这一千个幸存的候选视频终于来到了推荐系统大 boss 精排的面前。精排这位大老板拥有全系统最聪明的头脑，他使用着规模极其庞大的深度神经网络，消耗最昂贵的算力资源，会对每一个候选视频进行极其细致的全方位评估，真正理解你为什么会喜欢某条内容。
在理想状态下，平台推给你一条视频，当然希望你既愿意点开又愿意看完，还愿意在评论区跟人进情对线上200个回合。于是系统会分别预测多个关键指标，最经典的是点击率、完播率以及转化率，当然还有其他指标
但推荐系统最终只能有一个排序结果。这么多指标分数该怎么融合成一个统一的排序分数呢？
最直接的方法就是使用加权乘法公式。
score_i 表示第一个任务的预测值， a_i 和 b_i 则是对应的融合权重，就像是调音台上的推子，专门用来放大或缩小某一项指标的权重。怎么调整这些参数可以看作这款产品的价值观的体现
- 如果你把点击率的权重推到最高，用户的满眼都会是擦边球和标题党。
- 如果你把完播率的权重推到最高，推荐列表，就会被只有几秒钟的洗脑循环视频塞满
问题又出现了，这些权重数值到底该怎么定？
1.使用网格搜索，本质就是穷举。
如果有八个目标，每个目标有ab两个参数，工程师可以按照经验给每个参数假设十个可能的取值，一共就有10的16次方种组合，然后把所有组合一个个拿去训练和 A/B测试，最后挑出来效果最好的一组。这个方法虽然简单粗暴，但计算成本极高。
2.另一种思路，既然多个目标很难同时直接优化，那能不能找一个业务最核心的指标作为总代表？
比如把点赞、关注、转发等行为都折算成播放时长，最终只使用播放时长作为核心优化目标，这样做可以大幅降低系统复杂度。这些折算关系本质是一种近似替代，一般由工程师手动设定。
精排的核心工作从来不是简单的打出高分，而是在各项指标之间寻找微妙的平衡。
排序模型的发展
2016年谷歌在应用商店的推荐系统中提出了一个具有里程碑意义的模型 Wide and deep。它第一次系统的解决了推荐系统中的一个核心矛盾，用户既喜欢熟悉感又渴望新鲜感 。于是工程师设计出了一个像人类一样的大脑，同时拥有记忆力和推理能力的结构 。模型的左脑 Wide 是一个极其简单的线性结构，它的任务是死记硬背历史规律 。
比如系统发现你昨天点赞了电影解说，今天只要遇到电影标签的内容，左脑就会毫不犹豫的继续推给你.
他擅长利用已经被验证过的稳定模式，主打精准、安全、低风险。
但如果只有这种记忆力，用户很快就会看腻，这时候就需要右脑deep来制造惊喜。Deep是一个深层神经网络，它的任务叫泛化，也就是透过表面行为觉更深层的兴趣关联 。
比如他发现你经常观看二次元和漫展内容，于是他大胆的推测你可能也会喜欢手办相关内容，并悄悄把它塞进推荐列表。
它更像一种直觉，能够发觉连你自己 都没意识到的潜在兴趣。最后wide和deep会各自输出一个分数，再融合成最终结果，通过一个转换函数得到一个精确的预估值。
比如88%，意味着系统认为你有88%的概率会喜欢这条视频。
Wide and deep只是精排模型发展中的一个经典代表，工业界又陆续出现了很多更复杂的模型，他们开始进一步研究用户兴趣如何随时间变化，行为之间如何相互影响，以及系统如何在更复杂的上下文中理解此刻的你。
总结------精排的流程：
- 排序模型预估点击率、点赞率、收藏率、转发率等多种指标的分数
- 融合这些预估分数（比如加权和 等方式）
- 根据融合的分数做排序、截断