我之前是没加短期兴趣的,只用了长期兴趣经历了四步 召回,粗排,精排,重排,现在加上短期兴趣之后,短期兴趣是如何影响四步的?要重新经理一遍四步吗?
结合你们华为 O3 社区现有的推荐架构，我的建议是：加入短期兴趣后，不需要把原来的四步推荐流程推倒重来，而是要让短期兴趣在四个阶段分别发挥作用。至于是否需要重新执行四步，取决于你把短期兴趣接入哪个环节。
你之前的流程是：
长期兴趣画像 → 召回 → 粗排 → 精排 → 重排 → 最终推荐结果
现在增加短期兴趣后，可以变成：
长期兴趣画像 + 短期兴趣画像 → 召回 → 粗排 → 精排 → 重排 → 最终推荐结果
但这不意味着只需要把两类兴趣简单相加。我们逐步分析。
一、召回：短期兴趣负责发现用户最近关注的新内容
召回阶段的目标是从海量内容中找到可能适合用户的候选内容。
假设某个用户的长期兴趣是：
- 云计算
- 数据库
- 分布式存储
最近三天，用户开始频繁搜索和阅读：
- 大模型推理部署
- 大模型应用开发
如果召回阶段仍然只使用长期兴趣，那么系统可能无法及时召回大模型相关内容。
因此，增加短期兴趣后，推荐系统有两种实现方式。
方案 A：融合长期兴趣和短期兴趣，再执行一次召回
例如，将两类兴趣融合后得到：
| 兴趣主题 | 最终兴趣分数 |
|---|---|
| 云计算 | 80 |
| 大模型推理部署 | 75 |
| 数据库 | 65 |
| 分布式存储 | 55 |
| 大模型应用开发 | 50 |
然后根据融合后的兴趣执行原来的召回逻辑。
这种方式改造较小，但如果召回阶段只保留少量高分主题，短期兴趣仍然可能被长期兴趣挤掉。
方案 B：长期兴趣和短期兴趣分别召回，再合并候选集
例如：
- 长期兴趣召回：云计算、数据库、分布式存储相关内容。
- 短期兴趣召回：大模型推理部署、大模型应用开发相关内容。
两路召回完成后，合并候选集并去重。
这种方式更容易保证新兴趣进入候选集。
我更推荐方案 B，尤其是你们希望解决用户近期兴趣变化后，推荐结果更新不及时的问题时。
不过，如果你们目前的召回机制是将 Top 3 目录树交给 UniAI 进行关键词匹配，也可以先采用更简单的实现：保留长期兴趣 Top 3，再为短期兴趣增加少量召回名额。
例如：
- 长期兴趣：3 个目录。
- 短期兴趣：1～2 个目录。
将这些目录合并后，再调用现有 UniAI 关键词匹配服务。
这样不必立即改造整个召回架构。
二、粗排：短期兴趣影响候选内容的初步排序
召回完成后，系统可能获得几百篇甚至更多候选内容。
粗排阶段的目标是快速筛选出较有价值的候选内容，减少后续精排的计算量。
假设召回得到以下内容：
| 候选内容 | 长期兴趣匹配度 | 短期兴趣匹配度 |
|---|---|---|
| ECS 性能优化指南 | 95 | 10 |
| 数据库调优实践 | 85 | 15 |
| 大模型推理部署指南 | 20 | 95 |
| 大模型应用开发教程 | 15 | 85 |
如果粗排仍然只使用长期兴趣，那么大模型相关内容可能在进入精排之前就被淘汰。
因此，粗排需要能够识别短期兴趣相关性，避免新兴趣内容过早出局。
可以采用简单的加权评分：
[
S_{\text{coarse}}(u,d)
=\alpha S_{\text{long}}(u,d)
+(1-\alpha)S_{\text{short}}(u,d)
]
其中：
- (S_{\text{long}})：候选内容与长期兴趣的匹配度。
- (S_{\text{short}})：候选内容与短期兴趣的匹配度。
- (\alpha)：长期兴趣的权重。
例如，当用户近期没有明显的新兴趣时，可以提高长期兴趣的权重；当用户近期对某个新主题表现出持续兴趣时，可以提高短期兴趣的权重。
需要注意，上述公式只是粗排的一种实现方式。如果现有粗排已经有自己的相关性分数，可以在原有评分上增加短期兴趣特征，而不必直接替换原来的模型。
关键点：短期兴趣不仅要参与召回，还应该参与粗排，否则召回进来的新主题内容仍可能被大量淘汰。
三、精排：短期兴趣影响对候选内容的精细评估
粗排筛选后，候选集通常会进一步缩小。
精排阶段会使用更丰富的特征，判断哪些内容最值得推荐。
除了长期兴趣和短期兴趣，还可能考虑：
- 用户历史点击行为。
- 有效阅读时长。
- 收藏、点赞等行为。
- 内容质量。
- 内容新鲜度。
