推薦/搜尋系統中，為什麼需要重排模組。
在精排階段，我們希望得到的是乙個候選排序佇列的全域性最優解，但是實際上，通常在精排階段，我們精排模型是針對使用者和每乙個候選廣告（商品）輸出乙個分值；而每個候選之間也會相互影響。例如在搜尋廣告的場景下，這些候選廣告之間的廣告樣式會互相影響，從而影響最終的排序結果（一些型別的廣告的點選率通常要比純文字鏈廣告的點選率要高），所以在搜尋廣告的場景下，重排序模組主要在考慮同屏展現廣告樣式相關的一些資訊，利用這些資訊對精排候選廣告佇列進行乙個重新的排序。
如果精排模型除了要負責對召回後的幾百幾千個item按指標排序，還要操心多樣性甚至公平性，這樣的模型到底該按什麼指標來訓練，就算真能找出這種指標，也不可能一勞永逸，各公司各部門的推薦業務的邏輯都不一樣，有側重多樣性避免使用者覺得膩的，有重視公平性來照顧長尾物品的，怎麼設計乙個標準的排序模型來同時考慮所有不同業務側重點，這使得學術界對模型效能提公升的探索和工業截具體業務緊緊的耦合在一起，不僅增加了科研的困難也增加了使用的困難，因為更難適應具體的業務需求，變成了一種為了適應大多數需求的平均模型。
所以，排序模型就專心提公升精排的效果，後面的交給重排策略去做，根據實際業務的需求，去簡單的應用一些重排演算法或策略，來保證排序結果不那麼死板，從而在整體上做到優化，這種先精排再重排的做法使得排序模型和具體業務可以分離，學術界專心探索效果更好的排序模型，工業街根據自己的需要來設計具體的重排策略，雙方解耦來達到整體效率更高
《推薦系統如何進行重排序——阿里巴巴prm模型詳解》
推薦系統技術演進趨勢 召回 排序 重排
在寫技術趨勢前，照例還是對推薦系統的巨集觀架構做個簡單說明，以免讀者迷失在技術細節中。實際的工業推薦系統，如果粗分的化，經常講的有兩個階段。首先是召回，主要根據使用者部分特徵，從海量的物品庫里，快速找回一小部分使用者潛在感興趣的物品，然後交給排序環節，排序環節可以融入較多特徵，使用複雜模型，來精準地...
協同過濾演算法評測python 推薦重排演算法之MMR
maximal marginal relevance a.k.a mmr 演算法目的是減少排序結果的冗餘，同時保證結果的相關性。最早應用於文字摘要提取和資訊檢索等領域。在推薦場景 現在，給使用者推薦相關商品的同時，保證推薦結果的多樣性，即排序結果存在著相關性與多樣性的權衡。maximal margi...
JVM的重排序
重排序通常是編譯器或執行時環境為了優化程式效能而採取的對指令進行重新排序執行的一種手段。重排序分為兩類 編譯期重排序和執行期重排序，分別對應編譯時和執行時環境。在併發程式中，程式設計師會特別關注不同程序或執行緒之間的資料同步，特別是多個執行緒同時修改同一變數時，必須採取可靠的同步或其它措施保障資料被...