华为诺亚方舟推荐搜索团队与上海交大合作近期在IJCAI 2022 Survey Track上发表了综述论文，第一次系统性介绍了关于多阶段推荐系统中的深度重排序算法。重排序作为多阶段推荐系统的最后一个阶段，其表现直接影响用户体验和满意度。本文提供了对现有深度重排序算法进行系统性分类和定性定量的比较，并指出了未来潜在的研究方向和新兴应用领域。

论文链接：https://arxiv.org/pdf/2202.06602.pdf

近年来，随着深度学习技术的发展，深度重排序算法逐渐成为主流，并在工业推荐系统中广泛应用。深度重排序算法可以自动学习到物品之间的关系与影响，大幅提升了重排序模型的精度。现有的深度重排序工作大约有三十余篇。依据模型的优化目标和监督信号，我们将现有工作进行归类，如图1所示。按照优化目标划分，现有工作可分为单一目标的准确率优化模型，和多目标模型。多目标模型除了优化精度之外，同时考虑其他如多样性或公平性等目标。按照监督信号划分，一部分重排序研究工作直接使用用户在真实展示过的排序上的反馈（是否点击）作为重排序监督信号，我们称之为“使用真实监督信号的学习范式”；另一部分工作则认为用户点击行为受到排序位置的影响，即尽管两个列表所涉及到的物品完全相同，用户在不同排列上的点击也有可能不同。因此，后者常常引入一个评估器模型在未被真实展示给用户的（反事实的）排列上生成监督信号，我们称之为“使用反事实监督信号的学习范式”。

内容中包含的图片若涉及版权问题，请及时与我们联系删除