推荐系统精排给内容打分,完整流程分为两步:先用多任务模型完成多目标预估,输出点击率、完播率、转化率等多个独立分数;再通过分数融合把几十个预估分合并成唯一的最终排序分,最后按照总分高低给内容排序。精排阶段候选内容少、算力充足,所以能同时预测十到几十个业务指标;难点就在于多个目标互相冲突,不能只靠单一指标排序,必须用合理的融合方案平衡各项业务指标,同时保证分数尺度统一、线上稳定可调优。
一、精排多目标预估:先产出每一项行为的预测分数
1. 多目标预估的核心任务清单
精排采用多任务学习(MTL)模型,一次性并行预测多个用户行为目标,主流预估项如下:
| 预估目标 | 缩写 | 业务作用 |
|---|---|---|
| 点击率 | pCTR | 衡量内容能不能吸引用户点开 |
| 完播率 | pEVTR | 衡量内容能否留住用户看完 |
| 转化率 | pCVR | 衡量内容能不能带来下单、关注等转化 |
| 观看时长 | pD2Q | 衡量内容带来的停留时长 |
| 点赞 / 收藏率 | pLVR | 衡量内容的用户喜爱度 |
2. 多目标预估的执行步骤
- 输入特征:把用户画像、内容标签、历史交互、上下文环境全部送入共享底层网络,提取通用特征向量。
- 多任务分支:底层共享特征之后,分出独立塔状分支,每一个分支单独训练一个目标,分别输出 pCTR、pEVTR 等概率分数。
- 模型校准:对每一个目标的输出做概率校准,保证预估分数和真实行为分布保持一致,避免数值飘移。
- 输出结果:一条内容会一次性输出十几到几十个独立预估分,所有分数取值都在 0~1 之间。
3. 多目标预估的痛点
各个预估分数数值分布不一样,有的指标普遍偏高、有的普遍偏低;而且目标之间互相矛盾,拉高点击率容易降低完播率,只靠单一项分数无法平衡整体收益,必须进入下一步分数融合环节。
二、精排分数融合:把多份预估分合并成唯一排序分
(一)工业界主流 3 种融合方案
方案 1:线性加权求和(加法融合,最常用)
公式:最终分数 = w1pCTR + w2pEVTR + w3pCVR
- 优点:逻辑透明、权重可人工调整,A/B 测试迭代成本低,方便控制业务导向。
- 缺点:需要反复调试权重,无法做到千人千面,统一权重适配不了不同用户群体。
方案 2:加权乘积融合(乘法融合,短视频主流)
公式:最终分数 =(pCTR^a1)(pEVTR^a2)(pCVR^a3)
- 优点:对低分项惩罚更强,只要某一项指标太差,整体分数会快速走低,能过滤掉 “只靠标题吸引点击、内容质量很差” 的低质内容。
- 缺点:分数数值波动大,容易受预估不准的单项目标拖累。
方案 3:基于排名序的融合(解决尺度不一致问题)
不再直接使用预估分的原始数值,先把所有内容在每个目标下做排名,把名次转换成归一化分值,再对名次分做加权融合。
- 优势:彻底消除不同指标数值尺度不统一带来的偏差,稳定性更强;
- 适用场景:多模型输出、预估分数分布差异很大的复杂精排场景。
(二)融合权重的 4 种获取方式
- 人工经验调参:产品和算法根据业务目标手动设置权重,想优先拉点击就加大 pCTR 权重,想优先提升停留时长就加大完播率权重。
- 网格搜索穷举:给每个权重划定取值区间,遍历所有组合做线上 A/B 测试,选出整体指标最优的一组参数;缺点是计算量爆炸,目标越多组合越多。
- 离线优化求解:用强化学习、贝叶斯优化,以整体业务收益(总时长、GMV、留存)为目标,自动求解最优权重组合,大幅减少测试次数。
- 个性化动态权重:给不同用户分配不同权重,喜欢短视频的用户提高完播率权重,购物用户提高转化率权重,实现千人千面的融合打分。
(三)完整打分全流程步骤
- 输入候选内容:粗排筛选完成后,进入精排的几百条候选内容。
- 多目标预估:多任务模型并行输出 pCTR、pEVTR、pCVR 等几十项预估分。
- 分数预处理:对所有预估分做归一化、分布对齐,抹平不同目标之间的数值差异。
- 多目标分数融合:选择加法 / 乘法 / 序融合公式,带入权重,算出每条内容唯一的最终总分。
- 内容排序:按照最终分数从高到低对内容重排,输出给下游重排模块。
三、精排打分容易踩坑的关键要点
- 不能直接混用原始分数:CTR 和完播率的数值分布不一样,直接加权会被数值大的指标完全主导,必须先做归一化处理。
- 权重决定产品价值观:点击率权重过高,平台会充斥标题党;完播率权重过高,短内容泛滥,长期损害内容生态,权重调整必须配合长期指标做约束。
- 多目标预估和分数融合要分开优化:先保证每个单目标预估精准,再优化融合权重;不要把预估偏差带来的问题,全部依靠融合公式去弥补。
- 线上要做权重灰度:每次调整融合权重必须小流量 A/B 测试,观察点击、时长、转化、内容质量多项指标,避免单一指标上涨、其他指标大幅下跌。
四、总结
精排给内容打分分为两大环节:第一步依靠多任务学习模型做多目标预估,并行产出点击率、完播率、转化率等多项独立概率分数;第二步通过加法、乘法或者名次排序融合方案,把多项分数合并成唯一最终排序分,再按照总分排序。整个流程的核心,就是用多目标预估覆盖全部业务诉求,再通过分数融合平衡互相冲突的指标;权重的选择直接决定平台内容生态,自动化权重优化与个性化融合,也是当前精排打分技术的主要迭代方向。
【相关 FAQ】
问题 1:精排打分里的多目标预估,会输出哪些核心预估分数?
回答 1:精排打分里的多目标预估,会并行输出 pCTR 点击率、pEVTR 完播率、pCVR 转化率、观看时长、点赞收藏率等多项分数,为后续分数融合提供基础数据。
问题 2:精排分数融合中,加权乘法融合相比加法融合有什么特点?
回答 2:精排分数融合的加权乘法融合会对低分项形成更强惩罚,只要某一项指标太差,整体总分会快速下降,能有效过滤高点击低质量内容,适合短视频类业务;缺点是分数波动更大,容易受单项目标预估误差影响。
问题 3:精排打分时,为什么不能直接把多目标预估的原始分数拿来加权融合?
回答 3:精排打分时,不同多目标预估分数的数值分布、尺度不一致,有的指标普遍偏高、有的偏低,直接加权会被数值大的指标主导排序结果,因此必须先做归一化与分布对齐,再执行分数融合。
问题 4:精排多目标融合里,基于排名序的融合方案主要解决什么问题?
回答 4:精排多目标融合里,基于排名序的融合方案不再使用预估分原始数值,只采用内容在每个目标下的排名名次做融合,能够彻底消除多项目标分数尺度不统一、分布漂移带来的排序偏差,提升打分稳定性。
【参考资料】
[2026-11-20](精排:推荐系统如何给内容打分?从多目标预估到分数融合)阿里云开发者社区
[2026-11-20](推荐系统:精排多目标融合与超参数学习方法)博客园
[2026-11-20](UniRec: Cross-Stage Multi-Task Fusion with Preference Optimization)arXiv
[2026-11-20](得物社区推荐精排模型演进)腾讯云开发者社区
[2026-11-20](精排模块多目标融合技术文档)个人技术博客
【免责声明】
本文精排打分、多目标预估、分数融合相关内容均来自公开技术文档与工业界落地实践;不同业务场景的模型结构、融合公式与权重策略存在差异,本文方案仅为通用技术科普,不可以直接照搬作为线上生产环境的落地方案;技术方案最终效果受数据质量、模型精度、线上流量策略影响,落地前务必完成离线实验与小流量 A/B 测试。
