小红书精读:Unified Ranking Across Retrieval Channels: A Large-Scale E-Commerce Approach
多路召回融合,别调权重了,学个模型
各位算法同学们,多路召回融合这件事,不少团队还在手调 RRF 的 k 和加权交错的权重;Target 的做法更直接:不再用融合规则,而是学一个排序模型。线上转化 +2.85%,p95 延迟压在 50ms 以内。
📄 Unified Ranking Across Retrieval Channels: A Large-Scale E-Commerce Approach
🔧 把 rank fusion 重新表述为 channel-aware 的 LTR:每个候选都带上成员特征(来自哪些通道)和各通道原始分数,让模型自己学通道之间的交互,不再用一套全局权重套所有 query。
🧩 监督信号是周级的 funnel-weighted graded relevance,把曝光、点击、加购、购买按漏斗权重压成一个标量标签,直接对齐转化目标。
⚙️ 特征里加入了近期的 query-item 聚合行为,捕捉“人群当下在买什么”;计数每周重置,避免老爆款靠历史热度长期占位。
📊 随机在线 A/B:用户转化相对已上线的 weighted interleaving 提升 2.85%。
📈 重排阶段 p95 延迟低于 50ms,满足高流量生产环境的约束。
✅ 已在 Target.com 部署,上游召回和通道内排序逻辑都没有改动,只替换重排这一层。
总结:这套思路对已经有多路召回、还在手调融合权重的搜索团队最直接,改动面小、收益路径清楚。评估时不要只盯着 NDCG,要同时看转化和 p95 延迟两条线。两个问题需要先想清楚:通道集合是固定的,新增一路召回就得重训模型;周级标签在长尾 query 和冷启 item 上会波动,需要有兜底方案。
原文:AlphaXiv