基于上下文的 Listwise 重排模型（四）：PRM

最新推荐文章于 2025-08-01 16:00:48 发布
最新推荐文章于 2025-08-01 16:00:48 发布
阅读量1k 收藏 18
点赞数 10
CC 4.0 BY-SA版权
分类专栏： 推荐系统 文章标签： Listwise PRM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_22866291/article/details/147434779

在这里插入图片描述

目录

推荐系统重排神器PRM：基于Transformer的个性化重排序模型深度解析

论文PDF: Personalized Re-ranking for Recommendation

摘要

在推荐系统中，重排作为精排后的关键环节，直接影响用户体验和业务指标。阿里巴巴提出的个性化重排序模型（PRM, Personalized Re-ranking Model）通过Transformer架构建模列表内物品的交互关系，结合用户个性化偏好，实现精排结果的深度优化。本文从模型架构、损失函数、核心优势到落地实践全面解析PRM。

一、引言：重排为何成为推荐系统的“最后一公里”瓶颈？

在电商、内容推荐等场景中，精排模型（如双塔、Wide&Deep）通过单点打分生成初始列表，但存在两大痛点：

  1. 上下文缺失：单点打分忽略物品间依赖（如相似商品扎堆导致用户疲劳）。
  2. 个性化不足：无法动态适配用户实时偏好（如价格敏感型用户
了解本专栏 订阅专栏 解锁全文 超级会员免费看
CTR预估 论文精读(十四)--Deep Rerank: Personalized Re-ranking for Recommendation(PRM)
Dby_freedom的博客
12-25 2701
Deep Rerank: Personalized Re-ranking for Recommendation 论文解读 0. 论文摘要 Ranking is a core task in recommender systems, which aims at providing an ordered list of items to users. Typically, a ranking function is learned from the labeled dataset to optimize the
基于上下文的 Listwise 重排模型（二）：DLCM
进一步有进一步的欢喜~
04-23 885
DLCM通过“精排筛选+上下文建模+注意力重排”的三段式设计，为排序优化提供了新的思路。其核心在于利用序列处理中的顺序反转和门控机制，让模型聚焦关键商品，同时通过多样化的损失函数适应不同场景。随着算力和数据的发展，类似结合全局与局部特征的模型将在信息检索和推荐领域发挥更大作用。
MaxKB 使用本地重排模型并对知识库进行重排
最新发布
m0_59880555的博客
08-01 485
本文介绍了如何部署和使用重排模型与MaxKB系统对接。 主要包括三个步骤：1）从Hugging Face下载重排模型并上传至服务器，创建指定目录并修改docker-compose.yaml配置文件；2）将模型文件放入指定位置，后续新增模型只需放入同一目录；3）在MaxKB系统中配置本地向量模型，包括设置模型参数和应用编排。操作流程涵盖了从模型部署到系统集成的完整过程。
大模型优化——重排序模型
xzq_qzx_的博客
03-08 2654
重排序是信息检索系统中的一个重要步骤，它发挥着优化检索结果的关键作用。在初始检索阶段，系统根据某种标准（如相似度）返回一组文档。然而，由于初始排序可能并不总是能够准确反映文档与查询的真实相关性，因此需要进行重排序来提升检索结果的质量。不同的重排序方法使用检索模型进行二次检索：一种常见的重排序方法是使用检索模型进行二次检索。在初始检索后，通过利用更复杂的模型，例如基于嵌入的检索模型，可以再次检索相关文档。这有助于更精确地捕捉文档与查询之间的语义关系。
将重排模型构建成可以API调用的服务
zhych0828的博客
12-28 784
将重排模型构建成API服务
推荐系统如何进行重排序——阿里巴巴PRM模型详解
WitsMakeMen的专栏
07-20 2478
1、为了解决推荐系统排序全局最优解的问题，文章对重排模块进行了较为详细的介绍2、在重排序部分，文章提出了基于Transformer结构的个性化重排序模型，显著提升了线上系统的曝光、点击、GMV等指标。3、使用listwise的思想对整个序列进行 优化。
学习排序 Learning to Rank：从 pointwise 和 pairwise 到 listwise，经典模型与优缺点
热门推荐
TangowL
05-20 6万+
Ranking 是信息检索领域的基本问题，也是搜索引擎背后的重要组成模块。本文将对结合机器学习的 ranking 技术——learning2rank——做个系统整理，包括 pointwise、pairwise、listwise 三大类型，它们的经典模型，解决了什么问题，仍存在什么缺陷。关于具体应用，可能会在下一篇文章介绍，包括在 QA 领域的实践情况。
基于上下文的 Listwise 重排模型（一）：miRNN
进一步有进一步的欢喜~
04-22 1712
2018年阿里团队提出的miRNN（Mutual Influence aware RNN）模型，首次将电商搜索重排建模为全局优化问题，通过RNN捕捉商品序列的相互影响，结合Beam Search生成最优排序，在淘宝搜索中实现GMV（商品交易总额）提升5%的突破。本文将结合论文细节与通俗案例，拆解这一工业级重排框架的核心逻辑。
基于上下文的 Listwise 重排模型（五）：Evaluation - Generation Framework
进一步有进一步的欢喜~
04-23 845
EG框架为组合推荐系统提供了“建模 - 生成 - 评估”的完整解决方案，其核心思想可迁移至电商、广告等多物品推荐场景。对于研究者，该框架展示了强化学习与序列建模在推荐系统中的创新应用；对于工程落地，其离线评估指标和轻量化设计提供了可复用的实践经验。随着推荐系统向“场景化、全局优化”演进，EG框架代表了从单点打分到序列级决策的重要技术升级。
基于上下文的 Listwise 重排模型（三）：Seq2Slate
进一步有进一步的欢喜~
04-23 1124
在推荐系统和信息检索领域，如何高效生成用户感兴趣的推荐列表（Slate）是核心挑战之一。传统排序模型难以捕捉商品间的高阶依赖关系，导致推荐列表的整体吸引力不足。本文介绍谷歌提出的Seq2Slate模型，通过序列到序列（Seq2Seq）架构与指针网络（Pointer Network）的结合，将重排问题转化为序列预测任务，动态优化推荐列表的顺序。
浅谈Pointwise/Pairwise/Listwise模型
hellozhxy的博客
10-08 1561
在搜索场景下，Learning-to-Rank大致可以分为Pointwise/Pairwise/Listwise三种不同的机器学习建模范式。第一次接触这些模型是在上学的时候，最近由于做项目的原因重新温习了一下，顺便追了一下最新的进展，简单写一下，就当记录和科普吧。
ListWise 排序技术综述：从传统领域到大模型领域的跨越
进一步有进一步的欢喜~
02-11 1017
在信息检索和推荐系统等领域，排序是一项至关重要的任务。传统的排序方法如 PointWise 和 PairWise 方法在处理复杂的排序场景时存在一定的局限性。ListWise 排序方法作为一种新兴的排序技术，逐渐受到了广泛的关注。它直接对整个文档列表进行建模和优化，能够更好地考虑文档之间的相对顺序以及列表的整体特征，从而在许多实际应用中取得了比传统方法更优的性能。近年来，随着大模型的兴起，ListWise 排序在大模型领域也展现出了巨大的应用潜力。
【大模型周边】Learn to Rank排序算法（Listwise Learning-to-Rank）
源泉的小广场
11-25 2003
排序学习、learn to rank、ranking model、列表排序、listwise learn to rank、pairwise learn to rank、pointwise ranking、大模型结果排序优化、大模型周边、RAG
【排序学习】基于Pairwise和Listwise的排序学习
PaddlePaddle
03-08 5162
导语PaddlePaddle提供了丰富的运算单元，帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里，我们针对常见的机器学习任务，提供了不同的神...
【2022 MS MARCO】【阿里】HLATR：基于混合列表感知Transformer重排的多阶段文本检索增强 ( .feat PRM：个性化的推荐重排)
09-03 997
论文: 《HLATR: Enhance Multi-stage Text Retrieval with Hybrid List Aware Transformer Reranking》由于数据规模和计算资源的限制，当前文本检索系统通常遵循召回-排序范式，召回和精排模型通常被实例化为我们在《【NAACL 2021】AugSBERT：用于改进成对句子评分任务的 Bi-encoder 数据增强方法》中介绍到的 Bi-Encoder 和 Cross-Encoder。 虽然在检索系统中，召回和排序模型是紧密关联的，但
推荐系统的个性化重排序
yifu0121
11-11 3395
概要 排名是推荐系统中的一项核心任务，旨在向用户提供项目的有序列表。通常，一个排序函数是从有标签的数据集中学习全局表现，从而为每个队里的item得到排序分数。但是，由于评分功能的方案，它可能不是最佳的适用于每个项目的方案，因为没有明确考虑项目之间的相互影响以及用户的偏好或意图。因此，我们提出了针对推荐系统的个性化重新排名模型。提出的重新排名模型可以轻松地作为后续模块进行部署，可以使用任何排名算法......
推荐系统（十四）重排算法
更木的博客
06-06 1953
核心思想 当精排吐出的推荐结果和用户的历史行为很类似时，会出现多样性指标不好的情况，因而需要添加额外的手段
排序
mudan97的博客
04-19 522
问题背景 说起排序，对排序的认知还停留在召回阶段召回的item经过粗排过滤，剩下较少的item在精排中打分，按epcm或者其他策略挑选出最终要曝光的item。重排是一种考虑到推荐items之间关系和影响的排序模式，常规的推荐系统仅仅考虑<user, item>对的角度，并不会考虑items间作为一个list进行推荐之后的互相影响。 举个例子，排序模型往往都是point-wise的，一个DNN加丰富的user/item/上下文特征预估点击率，在召回的100个item候选集中...
LLM Rerank重排序模型介绍及选型建议
学亮编程手记
03-25 4210
Rerank（重排序）是信息检索流程中的第二阶段，旨在对初步召回的候选文档进行细粒度排序，以提升结果与查询的相关性。其核心是通过语义理解模型对文档与查询的匹配度进行深度评估，超越传统关键词匹配或向量相似度的限制。
Listwise Helper-crx插件：轻松右键保存页面列表
由于是右键菜单集成，插件还需要能够操作浏览器的上下文菜单API。 6. 安全性与隐私: 在使用任何第三方扩展程序时，用户需要考虑其安全性与隐私保护。插件可能需要访问用户的浏览数据和行为来提供服务，因此，用户...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

进一步有进一步的欢喜

您的鼓励将是我创作的最大动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值