[功能] 两阶段推荐流程: 候选生成 + LightGBM 排序器

说明 <! -- -- 详细描述你的预期特点 -- -- > 动机

双阶段推荐系统被业界广泛采用(YouTube,Pinterest,Alibaba等),然而这个寄存处没有端到端,结构完善的参考执行,明确显示如何将候选生成阶段与排名阶段适当连接.

现有的大多数例子有:

• 注重孤立的单一模式,或
• 略过如何正确连接两个阶段的实际细节(地貌渗漏、负取样策略、LTR组建等)。

这使得从业者难以在现实世界的管道中正确应用两个阶段的模型. 这一贡献的目的是提供一个干净、可重复使用的参考,以填补这一空白。

-- -- . . .

• 拟议设计

第一阶段——候选人的产生 从每个用户的完整项目目录中获取一小套候选项目(如:top-K).

** 现状:可提出建议。 ** 我仍在评估这个阶段使用的模型。 可能的方向包括:

• ** Matrix 系数化**(ALS, SVD)——快速、通晓的基线
• ** 神经协作过滤器(NCF) ** — 已经在回放中,容易集成
• **双托尔 / DSSM ** — 对大型目录更可扩展
• ** SAR** — 已支持的轻量级 翻译: ** 如果您对哪一个候选人模式最合适有建议或强烈意见,请留言。 **

• 第2阶段——排名 使用**LightGBM对检索的候选人进行重新排序,其目标为lambdarank'**(lgb.LGBMRanker'),最近通过#2288合并为中转站。

-- -- . . .

• 为什么这很重要?

两个阶段的排名是生产推荐系统中的主导范式,但获取细节是非三进制:

• ** Candidate record**必须足够高,以便军衔人员有好物品与
• ** 必须谨慎地进行不必要的采样** 以避免夸大度度量
• ** 合理的计算** 必须尊重火车/测试边界,以防止泄漏

-- -- . . .

关联

• 第2288号——LightGBM LambdaRank笔记本(安装、合并) -2205年)-入住平托克的军衔.

-- -- . . .

与建议的特性有关的预期行为

<! -- -- 例如: -- >