本次查询：重排序模型
中文解释：重排序模型
常见场景：搜索引擎 / 推荐系统 / 广告排序 / 问答系统
一句话解释
重排序模型是一种AI算法，它在信息检索或推荐系统中负责对最初召回的候选结果进行二次排序，通过更精细的特征和模型为每个结果重新打分，最终输出最符合用户需求的前N个结果。
为什么会被关注
在搜索和推荐场景中，初步召回阶段通常会返回数百甚至上千个候选结果，但简单的排序（如基于关键词匹配）往往不够精准。重排序模型能引入深度特征、用户行为、上下文等复杂信息，显著提升排序质量，直接影响用户点击率和满意度。
随着大模型和深度学习的普及，重排序模型从传统的GBDT/LR进化到基于Transformer的模型，甚至融合大模型的语义理解能力，成为提升系统核心指标的关键模块，因此受到工业和学术界的持续关注。
核心逻辑
重排序模型的核心逻辑分为三步：首先，从召回阶段获取候选结果列表；其次，提取每个候选结果与用户查询之间丰富的交互特征，包括文本相似度、点击历史、时效性等；最后，通过训练好的排序模型对每个候选重新打分并排序。
常见的重排序模型包括基于Pointwise（逐一点预估）、Pairwise（成对比较）和Listwise（列表整体优化）三种范式。实际应用中常使用深度神经网络（如DNN、Transformer）或轻量级排序模型（如LambdaMART）来实现，兼顾计算效率和排序精度。
常见场景
在搜索引擎中，如百度、谷歌，重排序模型用于对关键词检索结果进行精细调整，比如将权威性更高、时间更新的网页排到前面。
在短视频和电商推荐系统（如抖音、淘宝）中，重排序模型会结合用户实时行为、商品属性等，从数千个召回内容中筛选出最可能点击和购买的物品进行展示。
在智能问答和对话系统中，重排序模型用于对多个候选答案进行排序，确保语义最匹配、信息最完整的回复优先展示给用户。
容易混淆的点
很多人将“重排序模型”和“召回模型”混为一谈。召回模型负责从全量库中快速筛选出可能相关的候选集，追求速度和召回率；而重排序模型则针对候选集进行精细排序，追求精度。二者是流水线中的前后两个独立环节。
另外，“粗排模型”也容易与重排序混淆。粗排通常位于召回之后、重排序之前，用轻量级模型进一步缩小候选数量（如几百条）。重排序则是在更小的候选集（几十条）上做最终排序，特征更复杂、计算更耗时。