主流推荐系统给内容打分分为两大核心环节,第一步先用多任务模型做多目标预估,分别算出点击率、播放时长、下单转化率等多个独立分数,第二步再把多个目标分数融合成唯一最终排序分,分数越高的内容排名越靠前。之所以不能只用单一分数,是因为平台要同时兼顾用户留存、内容点击率、成交收益等互相冲突的业务目标,只优化一个指标会造成其他指标大幅下滑,必须拆分出多个目标单独预测,再做平衡融合。整套打分流程分为三个步骤:先选定业务目标并构建多目标预估模型,再对各个预估分数做归一化处理消除数值差异,最后通过加权公式、模型学习等方式完成分数融合,输出唯一排序分值。整个打分链路的核心难点,就是在互相矛盾的多个目标之间找到平衡点,兼顾短期流量与长期用户价值,最终产出符合平台经营策略的内容排序列表。
一、第一步:多目标预估,生成多个独立打分值
1.1 确定业务预估目标清单
平台会把业务指标拆成多个预测目标,主流目标如下表:
| 目标类型 | 预估指标 | 业务含义 |
|---|---|---|
| 短期流量目标 | CTR 点击率 | 用户点击内容的概率 |
| 时长目标 | 播放完成率、停留时长 | 用户看完内容的概率 |
| 转化目标 | CVR 转化率、下单率 | 点击后产生消费行为的概率 |
| 长期价值目标 | 关注率、次日留存 | 用户后续持续活跃的概率 |
1.2 多目标预估模型选型
- 基础方案:多任务学习(MTL),使用 Shared Bottom 共享底层特征,上层给每个目标单独设置预测分支,同时输出多个目标分数,适合短视频、电商推荐场景。
- 进阶方案:MMOE 多门混合专家模型,给不同目标分配专属专家网络,缓解多个目标之间互相干扰的冲突问题,工业界使用最广泛。
- 输出结果:每一条内容都会生成一组分数:点击分、完播分、转化分、留存分,每个分数区间一般在 0~1 之间。
二、第二步:分数预处理,消除数值差异
多个目标的分数值域分布不一样,不能直接相加融合,必须先做标准化处理:
- 分位数归一化:把所有候选内容的每一项分数,统一映射到 0~1 区间,避免某一个目标数值偏大直接主导最终结果。
- 截断降噪:剔除极值异常分数,防止个别高分样本打乱整体排序。
- 正负样本校准:修正模型预估偏差,保证每个目标的分数分布和真实用户行为保持一致。
三、第三步:多目标分数融合,输出最终排序分
3.1 方案 1:人工静态加权(最常用,可解释性强)
计算公式:最终得分 = w1× 点击分 + w2× 完播分 + w3× 转化分 + w4× 留存分
- w1、w2、w3、w4 是人工设置的权重,所有权重之和等于 1;
- 运营根据业务优先级调整权重,比如大促期间拉高转化分权重,日常内容分发拉高完播分权重;
- 缺点:一套权重面向全量用户,无法做到千人千面的个性化平衡。
3.2 方案 2:模型自适应融合(个性化打分)
- 浅层模型融合:把多个目标分数作为输入,训练一层线性网络,自动学习每一个目标对应的权重,不同用户拿到不同权重配比。
- 端到端多目标排序:直接优化 NDCG、AUC 排序指标,不再单独拆分预估 + 融合两步,让模型直接学习内容之间的相对优劣,减少预估偏差带来的融合误差。
- 强化学习融合:以平台整体收益作为奖励,自动动态调整多目标权重,实现长期收益最优,适合电商直播推荐场景。
3.3 方案 3:乘积融合(抑制极端高分)
最终得分 = 点击分 ^a × 完播分 ^b × 转化分 ^c,用幂次替代线性权重,只要任意一项分数很低,整体得分就会被压低,避免 “只高点击、低转化” 的劣质内容排名靠前。
四、整套打分流程总结
- 多目标预估:用多任务模型并行预测点击、完播、转化、留存等多个分数;
- 分数预处理:做归一化与降噪,抹平不同目标之间的数值差距;
- 分数融合:通过人工加权、模型自动学习、乘积融合三种方式,把多组分数合并成唯一分值;
- 最终排序:按照最终分数从高到低对内容进行排序,完成推荐打分全链路。
【相关 FAQ】
问题 1:推荐系统给内容打分,为什么要先做多目标预估再做分数融合?
回答 1:推荐系统需要同时优化点击率、完播率、转化率等多个冲突指标,单一目标预估会造成业务失衡,所以先拆分出多个目标分别打分,再通过分数融合平衡各个指标,得到兼顾多项业务的最终排序结果。
问题 2:推荐系统多目标预估阶段,MMOE 模型相比普通多任务模型有什么优势?
回答 2:普通多任务模型容易出现目标之间互相抢占特征,MMOE 通过门控网络给每个目标分配独立专家模块,降低多个预估目标之间的冲突,让多目标预估结果更加精准,提升后续分数融合的稳定性。
问题 3:推荐系统多目标分数融合时,静态加权方案存在哪些短板?
回答 3:静态加权采用一套固定权重面向所有用户,无法实现个性化平衡;当业务场景发生变化时,需要反复人工调参并做 A/B 测试,调参周期长,很难适配不同用户的偏好差异。
问题 4:推荐系统多目标分数融合前,为什么必须对预估分数做归一化处理?
回答 4:不同目标预估分数的数值分布差异很大,如果不做归一化,数值区间更大的目标会直接主导最终得分,导致其他目标失去权重作用,归一化可以把所有分数统一到相同区间,保障融合结果公平合理。
问题 5:推荐系统端到端多目标排序,和 “预估 + 分数融合” 两段式打分有什么区别?
回答 5:两段式是先独立预测每个目标分数再合并,容易出现预估偏差传导到融合环节;端到端方案直接优化排序指标,让模型学习内容的相对好坏,跳过单独打分环节,大幅提升多目标排序的整体效果。
【参考资料】
[2026-01-15](Rethinking Multi-objective Ranking Ensemble in Recommender System: From Score Fusion to Rank Consistency)arXiv
[2025-10-07](GRADE: Personalized Multi-Task Fusion via Group-relative Reinforcement Learning)arXiv
[2025-09-07](SEMORec: A Scalarized Efficient Multi-Objective Recommendation Framework)ACM Digital Library
[2025-08-07](UMRE: A Unified Monotonic Transformation for Ranking Ensemble in Recommender Systems)arXiv
[2025-05-30](扔掉人工公式:快手 EMER 框架,用 “会比较、自进化” 的模型重构短视频推荐排序)腾讯网
【免责声明】
本文内容整理自多目标推荐领域学术论文与互联网工业技术实践;多目标预估模型、分数融合公式会根据平台业务场景持续迭代;不同产品的权重配置、模型结构存在差异,本文仅为通用技术流程介绍,不构成工程落地的唯一标准;线上落地必须结合自身数据开展多轮 A/B 测试验证效果。
本文来自作者[锐簇快照]投稿,不代表乌兰科技网立场,如若转载,请注明出处:https://www.wlcbnews.com/rgzn/202611/4769.html
评论列表(4条)
我是乌兰科技网的签约作者“锐簇快照”!
希望本篇文章《精排推荐系统如何给内容打分?从多目标预估到分数融合》能对你有所帮助!
本站[乌兰科技网]内容主要涵盖:互联网行业的追踪与探索
本文概览:主流推荐系统给内容打分分为两大核心环节,第一步先用多任务模型做多目标预估,分别算出点击率、播放时长、下单转化率等多个独立分数,第二步再把多个目标分数融合成唯一最终排序分,分数越高的内容排名越靠前。之所以不能只用单一分数,是因为平台要同时兼顾用户留存、内容点击率、成交收益等互相冲突的业务目标,只优化一个指标会造成其他指标大幅下滑,必须拆分出多个目标单独预测,再做平衡融合。整套打分流程分为三个步骤:先选定业务目标并构建多目标预估模型,再对各个预估分数做归一化处理消除数值差异,最后通过加权公式、模型学习等方式完成分数融合,输出唯一排序分值。整个打分链路的核心难点,就是在互相矛盾的多个目标之间找到平衡点,兼顾短期流量与长期用户价值,最终产出符合平台经营策略的内容排序列表。