这是 Beta 探索课程，内容结构、实验步骤和示例可能会继续调整。
排序优化
召回得到候选集后，排序决定用户实际看到的顺序。排序不是简单按点击率从高到低排，因为推荐流有多个目标：用户喜欢、内容健康、作者生态、公平探索、商业收益。
排序特征
排序模型常用特征包括：
- 用户特征：兴趣、活跃度、历史偏好。
- 内容特征：标签、质量分、发布时间、时长。
- 交叉特征：用户是否喜欢此类作者、此类主题。
- 上下文特征：时间、网络、设备、当前会话行为。
- 召回特征：来自哪些召回通道。
在线排序要控制特征查询延迟，不能为了模型复杂度拖慢 Feed 响应。
多目标排序
常见目标包括：
- 点击率。
- 完播率。
- 点赞、评论、分享概率。
- 关注转化。
- 投诉和举报风险。
- 内容多样性。
如果只优化单一目标，系统容易走偏。排序分可以组合多个目标：
score = a * p_click + b * p_finish + c * p_like - d * p_report + diversity_bonus权重需要通过实验和业务目标调整。
重排策略
模型打分后，还需要重排：
- 去掉已曝光视频。
- 控制同作者连续出现。
- 控制同题材过度集中。
- 插入探索内容。
- 过滤审核风险和低质量内容。
重排是工程规则和模型结果的结合。它能显著改善体验，但规则太多也会让系统难以解释。
实验评估
排序优化必须通过 A/B 实验验证。离线指标只能说明模型可能更好，最终要看线上：
- 留存是否提升。
- 完播和互动是否提升。
- 投诉是否增加。
- 内容生态是否变差。
- 新作者是否有曝光机会。
实验要设置护栏指标。一个策略即使提升点击率，如果显著增加投诉或低质内容曝光，也不能上线。
延迟预算
推荐排序必须快。常见做法是：
- 离线预计算部分特征。
- 在线只查最近行为和少量实时特征。
- 候选集先粗排再精排。
- 超时降级到热门或缓存结果。
排序优化的最终目标不是模型分数更漂亮，而是让用户持续看到更合适、更健康、更流畅的内容。