想象你是一位掌管满汉全席的品鉴主厨。晚市即将开始，后厨采购团队从菜市场数以万计的食材中，凭“看着新鲜、品类大致对口”这类粗标准，匆匆挑出几十道候选菜端到你的案前。他们没时间细看，只能先快速筛掉明显不行的——这就是召回。而真正决定今晚菜单顺序的，是你这位品鉴主厨：你要亲自逐一尝过每道候选菜，从色、香、味、形、温度、摆盘、与酒的搭配等多个维度细细打分，排出“硬菜在前、时令小菜殿后”的上菜顺序，还要忍痛淘汰分数不达标的菜品。在推荐系统里，这个角色叫精排模型——它接收召回送来的几十到几百个候选，用精细的特征和模型逐条打分，决定用户最终看到什么、先看到什么、看不到什么。这篇文章，我们就跟着这位主厨走进后厨，见识它的“品鉴档案”（特征工程）、“搭味心法”（DeepFM）、“看人下菜”（DIN）、“品鉴笔记”（训练样本构建）和“高峰限时出菜”（在线推理优化），彻底搞懂这个推荐系统中真正的最终决策者。

岗位关联

精通精排模型，是你从“会调推荐接口”进阶为“能设计排序系统”的分水岭。信息流、广告、电商这些高价值场景中，精排直接决定了用户体验与平台收入的每一分钱。

目录
  1. 可视化演示
  2. 精排模型定位：最终决策者
  3. 特征工程：主厨的品鉴档案
  4. DeepFM模型：会搭味的主厨
  5. DIN模型：看人下菜的主厨
  6. 训练样本构建：品鉴笔记
  7. 在线推理优化：晚市高峰
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示推荐系统精排阶段从召回候选到排序输出的完整流程，对比DeepFM与DIN模型架构差异，交互调节候选数量感受排序精度变化。

本节配有交互动效（进入视口后自动加载，约 3KB）。

精排排序流程 召回阶段从百万级物料中筛出数百候选，交由精排模型打分 精排模型对每个候选计算CTR预估分数，按分数降序排列 score = f(user, item, context) 精排是决定最终展示顺序的核心模块

精排模型定位：最终决策者

采购团队（召回）决定“候选名单”，品鉴主厨（精排）决定“上菜顺序与哪道被淘汰”。没有主厨的把关，再丰盛的食材也成不了一桌好席；同理，没有精排的精细打分，再优秀的召回也无法直接变成用户满意的体验。

在推荐系统里，精排模型就是这个“最终拍板的人”。它接收召回阶段送来的几十到几百个候选物品，利用丰富的用户、物品、上下文特征逐一对候选打分，按分数从高到低排出最终展示顺序，并根据分数阈值做截断，决定哪些候选能真正出现在用户面前。与召回“广撒网”不同，精排追求的是“极致精准”。

精排的典型场景包括信息流推荐（今日头条、抖音的“猜你喜欢”）、广告竞价排序（电商广告中 eCPM = pCTR × pCVR × 出价）、电商搜索结果重排等。这类场景候选数量不大，但对排序精度、业务指标（点击率、转化率、用户时长）的影响极其直接，因此是推荐系统中精度要求最高的模块。业界常用的精排模型包括 LR、GBDT、DeepFM、DIN 等，本文重点讲解后两者。

精排与召回的分工就像主厨与采购：采购管“广”，用轻量规则快速圈定范围；主厨管“精”，用全套品鉴手段在有限候选里排出最优顺序。理解了这层定位，后面的所有技术细节就都有了归宿。

y^=σ(f(xuser, xitem, xcontext))\displaystyle \hat{y} = \sigma\left( f\left( \mathbf{x}_{user},\ \mathbf{x}_{item},\ \mathbf{x}_{context} \right) \right)
精排模型的输出不是“要不要推”，而是“推哪个、排第几”——一个打分函数决定整个推荐的面貌。
  1. 特征输入拼接把用户特征、物品特征、上下文特征拼接成一个向量，作为模型输入。
    x=[xuser; xitem; xcontext]\displaystyle \mathbf{x} = [\mathbf{x}_{user};\ \mathbf{x}_{item};\ \mathbf{x}_{context}]
  2. 打分函数f(·) 是精排模型主体（如 DeepFM、DIN），输出一个实数值分数，分数越高代表越值得展示。
    z=f(x)\displaystyle z = f(\mathbf{x})
  3. Sigmoid 映射σ 将分数压缩到 0 到 1 之间，作为点击概率 pCTR，供排序使用。
    σ(z)=11+e−z\displaystyle \sigma(z) = \frac{1}{1 + e^{-z}}

特征工程：主厨的品鉴档案

主厨不会凭一句“这道菜还不错”就做决定。他的案头有一本品鉴档案，记录每道菜的咸度、辣度、温度、摆盘精细度、上菜耗时、食材产地，甚至连今晚老主顾上次点过什么菜都写得清清楚楚。打分之前，先建档。

精排的“精”首先体现在特征上。特征工程是把原始数据变成模型能理解的输入，通常分为三类：用户特征（年龄、性别、历史点击/购买序列）、物品特征（类目、价格、质量分、品牌）、上下文特征（时间、地点、设备、当前场景）。此外还有用户与物品的交叉特征，例如“年轻男性 × 电竞类目”。

从技术角度看，离散特征（物品 ID、类目 ID）是稀疏的高维类别，一般先做 one-hot 编码，再经过 embedding 层映射成稠密向量；连续特征（价格、时长）则做均值归一化，消除量纲差异，帮助模型稳定训练。特征质量直接决定精排模型的上限——同样的模型结构，特征差一档，线上效果可能差一个量级。

档案记得越细，打分越有依据。但主厨很快发现，档案里任何一项都不能单独决定一道菜的命运——真正的功力在于看出各项之间的“默契”。这就要引出下一位主角：DeepFM。

x~=x−μσ,eid=Wemb⊤ onehot(id)\displaystyle \tilde{x} = \frac{x - \mu}{\sigma},\qquad \mathbf{e}_{id} = \mathbf{W}_{emb}^{\top}\ \text{onehot}(id)
特征是精排模型的“食材”，特征工程就是预处理食材——食材不新鲜，再好的主厨也做不出佳肴。
  1. 均值标准化x 为原始连续特征，μ 为均值，σ 为标准差，把量纲不同的特征压到同一尺度，避免大数值特征主导梯度更新。
    x~=x−μσ\displaystyle \tilde{x} = \frac{x - \mu}{\sigma}
  2. One-hot 编码把物品 ID 这类稀疏离散 id 展开成只有一位为 1 的向量，维度等于 id 总数。
    onehot(id)\displaystyle \text{onehot}(id)
  3. Embedding 映射用矩阵 W_emb 把稀疏的 one-hot 投影成稠密的低维向量 e_id，既降维又表达语义相似性——相似的物品在向量空间里距离更近。
    eid=Wemb⊤ onehot(id)\displaystyle \mathbf{e}_{id} = \mathbf{W}_{emb}^{\top}\, \text{onehot}(id)

DeepFM模型：会搭味的主厨

名厨的独门功夫不在单维度打分，而在“搭味”。单独看一道菜，咸度适中、甜度略高，都没问题；但一口下去，咸甜交织之间竟能迸发出奇妙的层次感。这种“咸甜搭配”的口味，任何单一指标都描述不出来，必须看特征之间的交叉。

逻辑回归等线性模型只能对特征做加权求和，无法表达“咸度 × 甜度”这类二阶交叉。传统做法是人工构造交叉特征，但特征组合爆炸、覆盖不全。2017 年华为提出的 DeepFM，把因子分解机（FM）与深度神经网络并行融合，让模型自动学习二阶及高阶特征交叉，无需人工特征工程。

DeepFM 包含三条通路：一阶线性项保留每个特征本身的重要性；FM 项用隐向量内积为每一对特征组合建模二阶交叉；Deep 部分是一个多层感知机，捕获高阶非线性模式。三路共享 embedding 输入，输出相加后过 Sigmoid 得到点击概率，端到端联合训练。

有了会搭味的主厨，菜单品质立刻上了一个台阶。但这位主厨还有更绝的一手——他会“看人下菜”，记住不同食客的偏好，给四川客人多关注辣度，给广东客人多关注鲜甜。这招，叫做 DIN。

y^=σ(w0+∑i=1nwixi+∑i=1n∑j=i+1n⟨vi,vj⟩ xixj+MLP(x))\displaystyle \hat{y} = \sigma\left( w_0 + \sum_{i=1}^{n} w_i x_i + \sum_{i=1}^{n}\sum_{j=i+1}^{n} \langle\mathbf{v}_i, \mathbf{v}_j\rangle\, x_i x_j + \mathrm{MLP}(\mathbf{x}) \right)
FM 负责“搭味”（二阶交叉），Deep 负责“层次”（高阶非线性），各司其职又共享同一份食材（embedding）。
  1. 一阶线性项w0 为全局偏置，w_i·x_i 表示每个特征单独的贡献，相当于逻辑回归部分。
    w0+∑i=1nwixi\displaystyle w_0 + \sum_{i=1}^{n} w_i x_i
  2. 二阶交叉项⟨v_i, v_j⟩ 表示两个特征隐向量的内积，x_i x_j 表示两特征同时出现，二者相乘即为该特征组合对结果的二阶贡献。
    ∑i=1n∑j=i+1n⟨vi,vj⟩ xixj\displaystyle \sum_{i=1}^{n}\sum_{j=i+1}^{n} \langle\mathbf{v}_i, \mathbf{v}_j\rangle\, x_i x_j
  3. 深度网络项MLP(x) 把全部特征向量喂入多层感知机，自动捕获更高阶的非线性特征组合。
    MLP(x)\displaystyle \mathrm{MLP}(\mathbf{x})
  4. Sigmoid 输出σ 把三路相加的结果压到 0~1 之间，得到点击率预估值。
    σ(z)=11+e−z\displaystyle \sigma(z) = \frac{1}{1 + e^{-z}}

DIN模型：看人下菜的主厨

真正的大师善于“看人下菜”。老主顾是四川人，上次来一口气点了三盘辣菜，那么今晚给他上水煮鱼时，主厨会格外关注“辣度”这个维度；而给一位广东客人上白灼虾，则更在意“鲜甜”与“火候”。同一道菜，面对不同客人，评价的侧重点完全不同。

用户的历史行为（点击、购买、收藏）是理解兴趣的金矿。早期模型简单地把用户所有历史行为 embedding 求平均——这等于把“爱吃辣”和“爱吃甜”的兴趣混在一起彼此稀释，任何一面都表达不清楚。2018 年阿里提出的 DIN（Deep Interest Network，深度兴趣网络） 解决了这个问题。

DIN 引入注意力机制：针对当前待打分的候选物品，用一个注意力网络为用户的每个历史行为计算一个权重，相关度越高权重越大，再对历史行为加权求和，得到“与当前候选强相关”的用户兴趣表达向量，拼接进精排模型一起打分。

主厨既懂搭味又懂看人，菜单自然越来越合食客胃口。不过，这套功夫不是天生的——主厨靠的是厚厚一本品鉴笔记，也就是训练样本。

vinterest=∑i=1mai vi,ai=exp⁡ ⁣(g(vi,vtarget))∑j=1mexp⁡ ⁣(g(vj,vtarget))\displaystyle \mathbf{v}_{interest} = \sum_{i=1}^{m} a_i\,\mathbf{v}_i,\qquad a_i = \frac{\exp\!\big(g(\mathbf{v}_i, \mathbf{v}_{target})\big)}{\sum_{j=1}^{m}\exp\!\big(g(\mathbf{v}_j, \mathbf{v}_{target})\big)}
注意力权重不是训练完就固定的参数，而是随“当前候选是谁”动态变化的——这正是“看人下菜”的数学表达。
  1. 历史行为向量v_i 是用户第 i 个历史行为（如上次点击的商品）的 embedding。
    vi\displaystyle \mathbf{v}_i
  2. 候选物品向量v_target 是当前待打分商品的 embedding，相当于主厨此刻“关心的焦点”。
    vtarget\displaystyle \mathbf{v}_{target}
  3. 注意力打分g(v_i, v_target) 是一个小网络，衡量某个历史行为与当前候选的相关程度。
    g(vi,vtarget)\displaystyle g(\mathbf{v}_i, \mathbf{v}_{target})
  4. Softmax 归一化对 m 个打分做 softmax，得到和为 1 的注意力权重 a_i。
    ai=exp⁡(zi)∑j=1mexp⁡(zj)\displaystyle a_i = \frac{\exp(z_i)}{\sum_{j=1}^{m}\exp(z_j)}
  5. 加权求和把所有历史行为按注意力权重相加，得到与当前候选强相关的用户兴趣表达。
    vinterest=∑i=1mai vi\displaystyle \mathbf{v}_{interest} = \sum_{i=1}^{m} a_i\,\mathbf{v}_i

训练样本构建：品鉴笔记

主厨的品鉴功夫来自日复一日的笔记：哪道菜客人动了几筷、哪道被退了回来、哪道被夸了又加点。但笔记有一个致命缺陷——它只记录“端上桌的菜”，那些从未上桌的菜，客人到底爱不爱吃，永远是个谜。

精排训练同样面临这种“选择性偏差”：线上日志只有曝光样本才有反馈。如果把曝光未点击当负样本、曝光点击当正样本，模型只会学会“在曝光过的物品里排序”，对没曝光的好物品一无所知，甚至放大热门偏差——这就是著名的曝光偏差。

常用解法是：正样本取曝光且点击的样本；负样本采用“曝光未点击 + 全量随机采样”混合，模拟真实的全量竞争环境；再按时间窗口切分训练集与测试集，只允许使用曝光时刻之前已经产生的特征，防止数据泄漏；最后用二分类交叉熵损失训练，优化 AUC 等排序指标。

笔记记好了，功夫练成了，真正的考验就来了：晚市高峰，100 桌客人在等，主厨必须在弹指之间完成品鉴。精排模型在线上的“极限出菜”，就是最后一块拼图。

L=−1N∑i=1N[ yilog⁡(y^i)+(1−yi)log⁡(1−y^i) ]\displaystyle \mathcal{L} = -\frac{1}{N}\sum_{i=1}^{N}\left[\, y_i\log(\hat{y}_i) + (1 - y_i)\log(1 - \hat{y}_i) \,\right]
样本是模型的教材——教材写得有偏，学出来的“本事”自然也是偏的。
  1. 真实标签y_i 取值为 0 或 1，1 表示点击（正样本），0 表示未点击（负样本）。
    yi∈{0,1}\displaystyle y_i \in \{0, 1\}
  2. 预测概率ŷ_i 为模型对第 i 个样本输出的点击概率。
    y^i=P(click=1∣xi)\displaystyle \hat{y}_i = P(\text{click}=1 \mid \mathbf{x}_i)
  3. 交叉熵项y·log(ŷ) + (1−y)·log(1−ŷ) 衡量预测与真实标签的差距，正确类别的对数概率越大，损失越小。
    yilog⁡(y^i)+(1−yi)log⁡(1−y^i)\displaystyle y_i\log(\hat{y}_i) + (1 - y_i)\log(1 - \hat{y}_i)
  4. 批量平均对 N 个样本求和取平均，得到最终损失值，可通过梯度下降最小化。
    −1N∑i=1N[ ⋅ ]\displaystyle -\frac{1}{N}\sum_{i=1}^{N}\left[\, \cdot\,\right]

在线推理优化：晚市高峰

晚市高峰，后厨兵荒马乱，一百桌客人在等。主厨不可能像备菜时那样每道菜品上十分钟——他必须在几秒钟内对几十道候选菜快速完成判断，还得保证品质不缩水。

线上精排同样要面对延迟预算：一次推荐请求往往要求在 50 毫秒内返回结果，超过预算用户就会明显感觉卡顿，甚至直接流失。模型越大、特征越多，推理越慢，因此工程上必须想尽办法把每一毫秒都榨出价值。

常用优化手段包括：INT8 量化把浮点权重压缩为 8 位整数，推理速度提升数倍而精度损失很小；特征缓存把高频的用户、物品特征提前算好放内存，避免重复计算；粗排 + 精排级联先用轻量模型粗筛一遍，再让精排精打，控制进入精排的候选数量；配合模型剪枝、批处理与并发推理提升整体吞吐。

从采购挑菜（召回）、建立品鉴档案（特征工程）、学会搭味（DeepFM）、看人下菜（DIN）、积累笔记（训练样本），再到高峰限时出菜（推理优化）——精排这位品鉴主厨的完整功夫，至此全部展现在你眼前。下次刷到一条“猜你喜欢”的信息流时，不妨想想：屏幕上的每一顺序，都是这位主厨在几十毫秒内替你精心拍板的。

q=clamp ⁣(⌊xs⌋+z, 0, 255)\displaystyle q = \mathrm{clamp}\!\left(\left\lfloor \frac{x}{s}\right\rfloor + z,\ 0,\ 255\right)
在线推理优化的本质，是“在菜凉之前把菜端上桌”——在延迟预算内，用最快的速度交出最准的排序。
  1. 缩放因子s 是浮点转整数的步长，由权重分布范围决定，把连续数值映射到整数刻度。
    s=xmax−xmin255\displaystyle s = \frac{x_{max} - x_{min}}{255}
  2. 零点z 是浮点 0 对应的整数偏移，保证 0 能被无损表示。
    z=−xmins\displaystyle z = -\frac{x_{min}}{s}
  3. 量化取整⌊x/s⌋ 向下取整，得到整数表示，乘法运算变成更快的整数运算。
    ⌊xs⌋\displaystyle \left\lfloor \frac{x}{s} \right\rfloor
  4. 范围裁剪clamp 把数值限制在 0~255 的 8 位整数范围内，防止溢出。
    clamp(t,0,255)=min⁡(max⁡(t,0),255)\displaystyle \mathrm{clamp}(t, 0, 255) = \min(\max(t, 0), 255)

AI 应用场景

场景一：信息流“猜你喜欢”的精排大厨

阶段：精排与排序阶段

解决的问题：召回阶段从千万级内容中筛出几百条候选，但候选之间差异细微，人工规则根本无法精细排序。精排用 DeepFM 建模特征交叉、DIN 建模用户实时兴趣，逐条打分决定展示顺序。

具体案例：某资讯 App 将精排模型升级为 DeepFM + DIN 后，线上点击率提升 6%，人均阅读时长提升 8%。工程上通过 INT8 量化把模型压到原体积的四分之一，单次请求延迟稳定在 40ms 以内，完美满足“晚市高峰出菜”的时限。

场景二：广告竞价排序的“毫秒级裁判”

阶段：广告精排与竞价阶段

解决的问题：广告排序不能只看点击率，还得结合转化率与广告主出价。精排需要同时预估 pCTR 与 pCVR，计算出 eCPM = pCTR × pCVR × 出价 参与竞价排序，对实时性要求比信息流更苛刻。

具体案例：某广告平台在精排中引入 DIN 感知用户对广告创意的兴趣，并用特征缓存 + 量化将排序模块延迟从 80ms 降至 30ms，广告收入提升 12%。主厨不仅更懂食客口味，出菜速度也更快了。

Python 演示

python61 行
import numpy as np  def sigmoid(x):    return 1.0 / (1.0 + np.exp(-x))  class DeepFM:    def __init__(self, n_feat, k=8, dnn_units=(32, 16), lr=0.05):        self.k = k        self.lr = lr        self.w0 = 0.0        rng = np.random.default_rng(42)        self.w = rng.normal(0, 0.01, n_feat)        self.V = rng.normal(0, 0.01, (n_feat, k))        sizes = [n_feat] + list(dnn_units) + [1]        self.weights = []        self.biases = []        for i in range(len(sizes) - 1):            self.weights.append(rng.normal(0, 0.05, (sizes[i], sizes[i + 1])))            self.biases.append(np.zeros(sizes[i + 1]))     def forward(self, X):        # 一阶线性项：每个特征的独立贡献        linear = self.w0 + X @ self.w        # FM 二阶交叉项的等效快速计算        xv = X @ self.V        inter = 0.5 * (np.sum(xv * xv, axis=1)                       - np.sum(np.square(X) @ np.square(self.V), axis=1))        # 深度网络项：捕获高阶非线性组合        deep = X        for W, b in zip(self.weights, self.biases):            deep = np.tanh(deep @ W + b)        return sigmoid(linear + inter + deep.ravel())  def main():    rng = np.random.default_rng(0)    n, n_feat = 2000, 20    # 构造高稀疏的 0/1 特征，模拟 one-hot 后的推荐场景    X = (rng.random((n, n_feat)) > 0.7).astype(np.float64)    y = (X[:, 0] + X[:, 3] + X[:, 7] * X[:, 11] > 0.4).astype(np.float64)     model = DeepFM(n_feat, k=8, lr=0.05)    for epoch in range(30):        pred = model.forward(X)        eps = 1e-12        # 二分类交叉熵损失        loss = -np.mean(y * np.log(pred + eps) + (1 - y) * np.log(1 - pred + eps))        m = int(y.sum())        order = np.argsort(pred)        rank = np.empty(n, dtype=int)        rank[order] = np.arange(n)        # 用秩和法计算 AUC，衡量排序质量        auc = (rank[y == 1].sum() - m * (m + 1) / 2.0) / (m * (n - m))        if epoch % 5 == 0:            print("epoch {:02d} loss {:.4f} auc {:.4f}".format(epoch, loss, auc))  if __name__ == "__main__":    main()
目的：用 NumPy 从零实现 DeepFM 的前向推理（含一阶线性、FM 二阶交叉、DNN 高阶），并在模拟的稀疏点击数据上训练，输出损失与 AUC，帮助理解精排模型的核心结构。
  1. X = (rng.random((n, n_feat)) > 0.7).astype(np.float64)生成高稀疏的 0/1 特征，模拟真实推荐场景里 one-hot 之后的稀疏输入
  2. linear = self.w0 + X @ self.w一阶线性项：每个特征独立贡献的加权和，相当于逻辑回归部分
  3. xv = X @ self.V特征矩阵与隐向量矩阵相乘，得到每个样本、每个隐维度的表征
  4. inter = 0.5 * (np.sum(xv * xv, axis=1) - np.sum(np.square(X) @ np.square(self.V), axis=1))FM 二阶交叉的等效公式，把 O(n²) 的两两内积化成 O(nk)，大幅加速计算
  5. deep = np.tanh(deep @ W + b)深度网络逐层做非线性变换，捕获高阶特征组合
  6. return sigmoid(linear + inter + deep.ravel())三路相加后过 Sigmoid，输出点击概率
  7. loss = -np.mean(y * np.log(pred + eps) + (1 - y) * np.log(1 - pred + eps))二分类交叉熵损失，对应正文中的 BCE 公式
  8. auc = (rank[y == 1].sum() - m * (m + 1) / 2.0) / (m * (n - m))用秩和法高效计算 AUC，衡量“正样本排在负样本前面”的概率
  9. if __name__ == "__main__":声明程序入口，保证脚本可直接运行

常见误区

误区“我一直以为精排就是把召回送来的候选排个序而已，反正候选都进来了，精排再差也不会丢东西。”

正解精排不仅要排序，还要做截断——只保留分数最高的 TopN，落选的候选直接消失。所以精排其实是最终“拍板”的守门员：它既决定顺序，也决定谁有资格上菜单。主厨不只是给菜排名，还会把不达标的菜撤下桌。

为何常见：“精排”这个名字让人只想到“排”，而忽略了打分阈值与截断这个“筛”的动作。

误区“DeepFM 是不是像普通神经网络一样，把 FM 的输出接到 Deep 的输入上，一层一层加深？”

正解DeepFM 是并行结构：FM 分支负责显式的二阶交叉，Deep 分支负责高阶隐式特征组合，两个分支共享底层的 embedding 输入，最后把两者的输出相加再过 Sigmoid。二者不是串联关系；串行堆叠是 FNN 等早期模型的思路。

为何常见：很多结构图把两路画在一起，没强调“共享输入、并行相加”，读者容易按习惯理解成逐层堆叠。

误区“DIN 的注意力权重不是模型训练出来的吗？训练完就固定了，不管用户看什么商品，权重都不变。”

正解DIN 的注意力权重不是固定参数，而是动态计算出来的：每输入一个候选物品，注意力网络 g(v_i, v_target) 都会根据候选与历史行为实时算出一套新权重。换个候选就换一套权重——这正是“看人下菜”的关键。

为何常见：注意力机制里的“权重”一词容易让人联想到训练得到的参数，实际上它是随输入变化的中间计算结果。

误区“线上日志记录了用户看了什么、点了什么，直接打标切出来训练不就行了？”

正解线上日志只有“曝光 + 反馈”信息，存在严重的曝光偏差：没曝光过的好商品永远没有正样本机会。所以必须引入随机采样负样本补充，还要按时间窗口切分防止数据泄漏。主厨的笔记只记了“上桌的菜”，得自己补上“没上桌的参考评价”。

为何常见：日志看似是天然标注数据，但推荐场景的反馈是“选择性曝光”产生的，不是随机实验，初学者很容易忽略这个偏差。

误区“反正是深度学习模型，把能挖的特征全堆进去，数据量大肯定能学好。”

正解特征过多会带来训练变慢、过拟合、在线获取成本高、稀疏特征冷启动难等问题。实际工程要评估每个新增特征的边际收益，做特征筛选与降维。精排讲究“有效特征”，而不是“全部特征”。

为何常见：深度模型给人“自动学习”的印象，让人误以为特征工程不再重要；但特征质量直接决定模型拟合的上限，主厨档案记得再厚，记一堆无关信息反而干扰判断。

面试题

Q1. 精排模型在推荐流程中的核心职责是什么？

单选题 · easy

  • A.从千万级全量物品中快速初筛候选
  • B.对召回候选精细化打分并决定最终顺序← 正确答案
  • C.负责用户画像的实时更新与存储
  • D.为物品建立索引并执行向量检索

答案：B。精排的输入是召回候选，输出是精细化分数（通常为 pCTR），并据此排序与截断。A、D 属于召回与向量检索的职责，C 属于画像系统。就像品鉴主厨只对采购团队送来的候选菜负责，不负责买菜和记账。

Q2. DeepFM 中 FM 分支的核心作用是什么？

单选题 · mid

  • A.仅捕获特征之间的一阶线性组合
  • B.显式建模特征之间的二阶交叉← 正确答案
  • C.对用户历史行为序列做注意力加权
  • D.负责将输出压缩到零到一区间

答案：B。FM 用隐向量内积显式建模二阶特征交叉，例如“咸度 × 甜度”这种搭配关系。一阶线性只是 FM 的组成部分而非核心；C 是 DIN 的注意力机制；D 是 Sigmoid 的职责。

Q3. 精排阶段会用到下列哪些类别的特征？

多选题 · mid

  • A.用户的年龄性别与历史行为← 正确答案
  • B.候选物品类目价格与质量分← 正确答案
  • C.请求时刻的时段地点与设备← 正确答案
  • D.召回传递来的粗排分与热度← 正确答案

答案：ABCD。用户、物品、上下文三类基础特征加上召回侧传递的特征，都是精排的常见输入。品鉴档案维度越全，主厨打分越可靠；召回阶段的粗排分、热度等也常作为精排的补充特征。

Q4. DIN 的注意力权重是如何产生的？

单选题 · hard

  • A.训练后固化下来的全局静态参数
  • B.由候选与历史行为动态计算得出← 正确答案
  • C.取所有历史行为权重的平均值
  • D.由物品热度直接决定权重大小

答案：B。DIN 的注意力网络 g(v_i, v_target) 在每次输入候选物品时实时计算权重，换一个候选就换一套权重。这正对应“看人下菜”——主厨的关注点随食客口味动态变化，而不是一套固定标准。

Q5. 为缓解曝光偏差，精排负样本常用的补充方式是？

单选题 · mid

  • A.仅使用曝光未点击的负样本
  • B.随机采样未曝光物品做负样本← 正确答案
  • C.从正样本中反向生成负样本
  • D.使用用户点击过的物品做负样本

答案：B。日志只有曝光样本，若只用曝光未点击当负样本，模型学不到“没曝光的好物品”。随机采样未曝光物品补充负样本，能让模型在全量候选上更公平地排序，相当于给品鉴笔记补上“没端上桌的菜”的参考评价。

Q6. 精排在线推理控制延迟的常用手段包括？

多选题 · hard

  • A.对模型权重做 INT8 量化压缩← 正确答案
  • B.缓存热点特征避免重复计算← 正确答案
  • C.粗排与精排级联逐层过滤← 正确答案
  • D.无限扩大候选集合并增加特征

答案：ABC。量化、特征缓存、级联过滤都是“高峰限时出菜”的实用手法。D 会反向增加计算量与延迟，违背延迟预算，是典型的错误方向。

Q7. 精排模型的打分输出通常通过哪个函数得到点击概率？

单选题 · easy

  • A.ReLU 激活函数
  • B.Sigmoid 激活函数← 正确答案
  • C.Softmax 归一化函数
  • D.Tanh 双曲正切函数

答案：B。点击率预估是二分类问题，用 Sigmoid 把分数压到 0~1 之间作为点击概率；Softmax 用于多分类，ReLU、Tanh 一般用于隐藏层激活，不直接输出概率。

Q8. 精排与召回在工作流程上的关系是什么？

单选题 · mid

  • A.精排在召回之前进行全量粗筛
  • B.精排以召回输出的候选为输入← 正确答案
  • C.召回以精排结果作为候选池
  • D.两者并行独立互不依赖结果

答案：B。整体流程是召回先“广撒网”产出候选，精排再“精雕细琢”打分排序并截断。就像采购团队在前、品鉴主厨在后，顺序不能颠倒。

Q9. 关于精排训练样本构建，正确的说法有哪些？

多选题 · hard

  • A.特征只能取曝光时刻之前已有信息← 正确答案
  • B.可以用点击之后才产生的标签特征
  • C.样本按时间窗口划分防止数据泄漏← 正确答案
  • D.样本越新越能反映当前用户兴趣← 正确答案

答案：ACD。特征必须取曝光前可得的信息，按时间窗口切分训练集与测试集，新样本更能反映兴趣变化，这些都对。B 属于典型的数据泄漏——相当于主厨写笔记时偷偷抄了明天的顾客点评。

Q10. 精排模型最核心的优化目标是什么？

单选题 · easy

  • A.最大化单次推理的候选数量
  • B.提升候选排序精度与业务指标← 正确答案
  • C.最小化模型的参数量占用
  • D.缩短召回阶段的检索链路

答案：B。精排的价值在于把排序做“准”，从而带动点击率、转化率等业务指标提升。追求候选数量是召回/粗排的目标，压缩参数量只是优化手段而非目的。