粗排(Pre-Ranking)是召回和精排中间的轻量打分环节,核心目标就是在毫秒级时延预算里,把召回拿到的几千条候选内容快速过滤压缩到几百条,只保留高潜力、值得送入精排的物料,它不追求打分绝对精准,优先保证高召回率、低延迟、高吞吐,解决直接把上千条候选丢给复杂精排模型带来算力爆炸、超时的问题。召回负责广撒网,先从海量内容里捞一批相关物料;粗排做快速初筛,用轻量化模型、少量核心特征快速剔除明显不匹配的内容;精排再用复杂模型、全量特征做精细预估,算点击率、完播、转化等指标。粗排的难点在于平衡两件事:一是速度,单请求时延大多控制在 10~20ms 以内;二是保召回,不能把后面精排本来能打高分的优质内容误筛掉,工业上普遍用知识蒸馏,让粗排学习精排的打分分布,缩小两者的效果差距。
粗排主流技术方案清单
- 双塔 DSSM:用户、物品向量提前离线算好,线上只做向量内积,速度最快,缺点是缺少特征交叉
- 轻量 MLP / 浅层 DNN:少量交叉特征,在速度和表达力之间折中,是现在最常用方案
- COLD、Late Fusion 类改进双塔:保留向量快算优势,增加少量强交叉特征,兼顾精度和时延
- 简单树模型 LR、GBDT:可解释性强,适合小流量、低算力场景
- 规则 + 过滤前置:先过滤拉黑、已曝光、违规内容,减少进入模型打分的候选数量
推荐链路各阶段对比表
| 阶段 | 候选规模变化 | 时延预算 | 模型复杂度 | 核心目标 |
|---|---|---|---|---|
| 召回 | 亿级物料 → 2000 左右 | 20~30ms | 双塔、ANN 检索 | 尽量不漏掉潜在感兴趣内容 |
| 粗排 | 2000 → 200~500 | 5~20ms | 轻量双塔、浅层 MLP | 快速筛低质,保留精排高价值候选 |
| 精排 | 200~500 → 50 左右 | 30~50ms | DIN、DeepFM、多任务 DNN | 精准预估互动、转化指标 |
| 重排 | 50 → 最终展示列表 | 5~15ms | 规则 + 轻量模型 | 多样性、公平、业务约束调优 |
粗排落地的实操步骤
- 先确定漏斗阈值,定义召回输出数量、粗排截断 TopN,同时定好粗排 P99 时延上限
- 筛选特征池,只保留强信号特征,砍掉高开销、弱贡献的复杂序列、交叉特征
- 模型训练:用精排打分做软标签蒸馏,训练粗排模型,对齐精排偏好,降低漏召回
- 线上服务优化:特征预取、物料 Embedding 缓存、批量打分、算子优化,减少 IO 开销
- 增加前置过滤:拉黑、重复、已曝光、违规内容提前过滤,减少模型计算量
- 上线 A/B 实验,重点监控粗排召回率、精排上游候选质量、整体链路时延、点击率
- 持续迭代:解决 SSB 样本选择偏差,定期更新蒸馏标签,调整截断阈值
【相关 FAQ】
问题 1:粗排实现毫秒级筛出值得精排的内容,它和精排最大差别是什么?
回答 1:粗排实现毫秒级筛出值得精排的内容,主打轻量、快、保召回,只用少量特征;精排模型复杂、特征齐全,打分更精准,算力开销大,只能处理少量候选。
问题 2:粗排要毫秒级筛出值得精排的内容,为什么不能直接去掉粗排,召回后直接进精排?
回答 2:粗排要毫秒级筛出值得精排的内容,如果去掉粗排,召回上千条候选全部送入精排,算力和时延会严重超标,线上请求大面积超时,服务扛不住高并发。
问题 3:粗排毫秒级筛出值得精排的内容,怎么避免把优质内容误筛掉?
回答 3:粗排毫秒级筛出值得精排的内容,一般用精排打分做知识蒸馏训练粗排模型,同时控制截断策略,优先保证高召回率,而不是追求极致排序精度。
问题 4:粗排毫秒级筛出值得精排的内容,主流用什么模型,哪个速度最快?
回答 4:粗排毫秒级筛出值得精排的内容,双塔 DSSM 向量内积速度最快,其次是轻量 MLP;双塔缺点是缺少特征交叉,现在很多业务用 COLD 这类改进双塔补齐短板。
问题 5:粗排毫秒级筛出值得精排的内容,粗排阶段需要做多目标预估吗?
回答 5:粗排毫秒级筛出值得精排的内容,一般会做简化多目标融合,不会像精排那样精细建模,主要目的是区分高低潜力物料,精细多目标交给精排处理。
【参考资料】
[2026-11-19](推荐系统粗排:毫秒级筛选、蒸馏与线上优化)腾讯云开发者社区
[2026-11-10](Pre-Ranking 粗排工业方案、COLD 模型原理)思否技术社区
[2026-10-22](推荐链路:召回、粗排、精排、重排全链路时延设计)牛客技术专栏
[2026-09-05](粗排 SSB 偏差、知识蒸馏最佳实践)知乎算法专栏
[2026-08-12](大规模推荐系统多阶段漏斗架构)arXiv 技术文章
【免责声明】
本文内容仅为粗排毫秒级筛选值得精排内容相关技术科普整理;粗排时延、候选截断数量、模型选型会随业务流量、算力、产品目标调整;粗排方案选型需要结合业务离线实验、线上 A/B 测试验证,不构成线上推荐系统开发、算力采购的决策依据。
