2.4　排序算法

推荐系统排序模块将召回模块产生的标的物列表（一般有几百个标的物），通过排序算法做重排，以更好地反映用户的点击偏好，再通过排序优化用户的点击行为，将用户更可能点击的标的物（一般有几十个）取出来并推荐给用户，最终提升用户体验。

排序模块会用到很多特征，一般我们会基于这些特征构建排序模型，常用的特征可以抽象为如下5大类：

·用户侧的特征，如用户的性别、年龄、地域、购买力、家庭结构等。

·商品侧的特征，如商品描述信息、价格、标签等。

·上下文及场景特征，如位置、页面、是不是周末或者节假日等。

·交叉特征，如用户侧特征与商品侧特征的交叉等。

·用户的行为特征，如用户点击、收藏、购买、观看等。

排序框架需要充分利用上述五大类特征，以便更好地预测用户的点击行为。排序学习是机器学习中一个重要的研究领域，广泛应用于信息检索、搜索引擎、推荐系统、计算广告等排序任务中，有兴趣的读者可以参考微软亚洲研究院刘铁岩博士的专著Learning to Rank for Information Retrieval。常用的排序学习算法框架有pointwise、pairwise、listwise三类，如图2-12所示。

图2-12　三类排序学习算法框架

在图2-12中，x₁、x₂、…代表的是训练样本1、2、…的特征，y₁、y₁₂、s₁、…是训练集的label（目标函数值）。pointwise学习单个样本，如果最终预测目标是一个实数值，就是回归问题；如果目标是概率预测，就是一个分类问题，例如CTR预估。pairwise和listwise分别学习一对有序对和一个有序序列的样本特征，考虑得更加精细。在推荐系统中常用pointwise方法来做排序，它更直观，易于理解，也更简单。

常用的排序学习算法有logistic回归、GBDT、Wide & Deep等，这里对这些算法的实现原理做一个简单描述。