获课：xingkeit.top/5922/

重排序算法实战：个性化调序如何提升平台转化指标

搜索结果展示时，最致命的问题不是"搜不到"，而是"搜到了，但排在前面的不是用户想要的"。电商首页推荐也一样，千人千面的商品池里，谁排第一，直接决定用户点不点击、买不买。重排序，就是解决这个问题的关键一环。

排序为什么要分三层

大多数人以为推荐系统只有一个排序模型，实际上成熟的架构是三级漏斗：召回层从海量商品中粗筛几百个，粗排层进一步精排到几十个，最后重排序层在几十个结果中做最终调整。

重排序的位置决定了它的角色——不负责"从海量中选出好的"，只负责"在已经不错的结果里，调出最适合这个用户的顺序"。 这个定位让它可以用更复杂的策略，而不用担心计算量爆炸。

重排序的核心逻辑：不只是按分数排

粗排输出的结果，通常按预估点击率或转化率降序排列。但这只是起点。重排序要做的，是在这个基础上做多目标权衡。

第一，打散同类商品。 用户连续看到三个同类目的商品，会产生疲劳感，跳出率飙升。重排序需要在相关性足够高的前提下，强制打散品类、品牌、价格带。这不是简单的去重，而是在约束条件下找最优排列。

第二，考虑上下文。 同样一件商品，用户在早高峰和深夜的购买意愿完全不同。重排序需要把时间、场景、用户当前行为序列作为特征输入，动态调整权重。

第三，兼顾多样性和精准度。 这是最难的平衡。全推用户最可能买的，转化高但体验差；全推多样化的，体验好但转化低。重排序的本质，就是在这条曲线上找到最优解。

实战中的两种主流方案

方案一：规则+模型混合调序。 先用一套硬规则做底（比如广告位必须占前三、新品必须有曝光），再用轻量级模型对剩余位置做个性化打分。这种方案可控性强，适合冷启动阶段，上线快、调参简单。

方案二：端到端 Listwise 模型。 直接对整个候选列表打分，模型输出的就是最终排序。代表算法有 LambdaMART、ListNet 等。优势是全局最优，能捕捉商品之间的相互影响（比如两件商品同时出现时转化率更高）。劣势是训练成本高、上线风险大。

中小团队推荐先用方案一跑通业务，有了数据积累后再切方案二。

指标怎么衡量？别只看 CTR

重排序上线后，最容易踩的坑是只盯 CTR 看。CTR 涨了，但 GMV 没涨，说明推的都是便宜好点的，客单价被拉低了。

真正该看的是转化相关的复合指标：下单转化率、GMV、UV 价值。如果 CTR 涨了但 GMV 跌了，说明重排序把用户引向了低价值商品，需要调整目标函数的权重。

另外，还要关注多样性指标，比如品类覆盖数、品牌覆盖率。如果这两个指标持续下降，说明重排序过度追求精准，牺牲了用户体验，长期会导致留存下降。

落地节奏：小流量验证，快速迭代

重排序上线不要一步到位。先切 5% 流量，对比实验组和对照组的核心指标，确认正向后再逐步放量。每次调整策略，只改一个变量，否则出了问题你根本不知道是哪个参数导致的。

重排序不是银弹，但它是离转化最近的那一层排序。召回决定用户能看到什么，粗排决定哪些商品有资格竞争，而重排序决定谁排第一。排第一的那个，拿走了大部分点击。把这一步做好，转化提升是水到渠成的事。