# Summary # Cues # Notes ## 精召回阶段 精召回对粗召回的候选集进行重排序，使用更复杂的模型和特征。 **常用方法：** 1. **Learning to Rank (LTR)** - Pointwise方法：将排序问题转化为回归或分类问题 - Pairwise方法：如RankNet、LambdaRank，学习文档对的相对顺序 - Listwise方法：如ListNet、LambdaMART，直接优化整个列表 2. **[深度学习@](深度学习@.md)模型** - [[DSSM 双塔结构]] - 交互式模型：如[[BERT]]重排序，能捕捉查询和文档的细粒度交互 - 注意力机制：突出重要特征和交互 3. **[[特征工程]]** - 查询-文档相关性特征（文本匹配度、语义相似度） - 文档质量特征（点击率、停留时间、权威度） - 用户个性化特征（历史行为、偏好） - 上下文特征（时间、地理位置、设备类型） 4. **[[多目标优化]]** - 同时考虑相关性、新鲜度、多样性、公平性等多个目标 - 使用多任务学习或加权组合