一、系统概述
推荐系统的模块分布
为什么要做排序？
召回的目的是全，排序的内容是准，如果能将召回的内容以恰当的顺序展现，那么对于提升用户体验（也有助于提升留存）、优化商业变现（广告精准投放）有一定的帮助。
由于内容本身好坏差别比较大，加上召回渠道、召回算法的多样性，导致召回阶段不能对数据（用户偏好数据）有很好的预测，所以需要排序过程对内容进行统一打分。
排序包括什么？
（1）离线计算：数据整合、特征提取、模型训练、线下评估
（2）近线实时数据流：在线和离线之间的步骤，清洗原始数据，供下游模型使用
（3）在线打分：对召回内容进行整合和打分重排序
二、排序算法
排序算法处于不断演变的过程。
推荐算法排序
LR：逻辑回归模型，用来做二分类
MLR：多元线性回归，可以解决非线性问题
GBDT：迭代决策树
XGBOOST：加入正则化，是升级版的GBDT
三、重排序
主要基于业务需要，展现形式有置顶、运营分发（抖音）、广告竞价排名（百度）等。
那么重排序应该怎么操作呢？
（1）基于内容
加大权重：今日头条的内容置顶
隔离：相似内容隔开，始终吸引用户
噪声过滤：考虑文章阅读时长，打击标题党
（2）基于用户
惩罚热点：对热点内容的用户操作如评论、转发等，进行降权处理
时效性：用户不断有新的动作产生，老特征下降权重，新特征加强权重
惩罚特征：如果一篇或一类文章没有被点击，其相关特征（关键词、来源）会被降权
