搜广推 / 01

搜广推三层结构：召回 / 粗排 / 精排

搜广推是搜索、广告、推荐的统称。它们的业务目标不同，但技术链路很像：先从海量物料里找候选，再快速筛选，最后精细排序并加上业务策略。

典型链路是：

物料池 -> 召回 -> 粗排 -> 精排 -> 重排 -> 展示 -> 反馈

为什么要分层

用户每次请求时，系统面对的候选可能是百万级甚至亿级物料。精排模型再强，也不可能对所有物料都做复杂推理。因此系统必须分层：

• 召回：从海量物料中快速找几百到几千个候选。
• 粗排：用较轻模型从候选中筛出几十到几百个。
• 精排：用复杂特征和模型做最终排序。
• 重排：处理多样性、频控、规则、生态和安全约束。

分层的本质是在效果、延迟和成本之间折中。

召回层

召回关注“不要漏掉可能好的东西”。常见召回包括：

• 热门召回。
• 协同过滤召回。
• 向量召回。
• 类目召回。
• 地理位置召回。
• 关注关系召回。
• 搜索 query 召回。
• 广告定向召回。

召回层通常追求高覆盖和低延迟。它不需要排序特别准，但要保证好候选能进入后续链路。

粗排层

粗排解决召回候选太多的问题。它要比召回准，又要比精排快。

粗排常用轻量模型，例如 LR、GBDT、小型 DNN 或蒸馏模型。特征通常比精排少，主要使用用户、物料和少量交叉特征。

粗排的关键指标不是普通 AUC，而是看它能否保留精排最终会选中的优质候选。例如 topK 保留率、精排 oracle 命中率。

精排层

精排使用最丰富的特征和更复杂模型，预测点击、转化、停留、购买、互动等目标。

常见模型：

• Wide & Deep。
• DeepFM。
• DIN / DIEN。
• DCN。
• 多任务模型。
• 序列 Transformer。

精排层最容易被面试问到，但不要只背模型结构。要讲清楚样本、标签、特征、目标和线上指标。

重排层

重排处理模型分数之外的问题：

• 同类内容不要连续出现。
• 同一作者或商家需要频控。
• 新内容要有探索流量。
• 广告和自然结果要混排。
• 风险内容要过滤。
• 商业目标和用户体验要平衡。

很多线上策略收益来自重排，而不是模型本身。

搜索、广告、推荐的差异

搜索更看相关性，推荐更看兴趣和长期体验，广告更看商业机制。但它们都依赖召回、排序、实验和反馈闭环。

面试怎么讲

如果面试官问“设计一个推荐系统”，不要直接说模型。可以这样回答：

我会先拆链路：召回保证候选覆盖，粗排在低延迟下筛掉明显差的候选，精排用丰富特征做多目标预估，重排处理多样性、频控和业务约束。评估上，离线看召回覆盖、排序指标和校准，线上看点击、转化、留存、负反馈和延迟。

常见追问

召回漏了怎么办？

后续排序救不回来。要做多路召回、召回覆盖评估、bad case 分析和探索召回。

粗排和精排目标不一致怎么办？

会导致粗排筛掉精排喜欢的候选。可以用精排蒸馏、保留率指标、多目标训练和分场景评估缓解。

精排分数高就一定排前面吗？

不一定。重排还要考虑多样性、频控、风险、商业约束和长期体验。

下一篇建议继续看：

• 多路召回与候选集设计