PAI-Rec引擎重排打散的配置案例 - Platform For AI

在推薦系統的重排階段，主要目標是平衡推薦品質（相關性）與使用者體驗（多樣性）。以下是針對您提供的配置項的具體說明（在真實業務中未必合理，僅作為本文配置案例使用）：

1、對葉子類目和品牌重排打散

為了防止同一類目或同一品牌的商品過於集中，導致使用者視覺疲勞，我們通過“滑動視窗”機制進行打散。

核心邏輯：在指定的視窗大小（WindowSize）內，限制特定維度商品出現次數（FrequencySize）。
參數詳情：
- DiversitySize (20)：僅對推薦列表前 20 個商品執行打散邏輯，保證頭部流量的體驗。
- 規則 A （葉子類目打散）：
  - 維度：category_id（後台一級類目/葉子類目）。
  - 約束：在連續的 5 個商品中，同一個類目的商品最多隻能出現 1 次。
- 規則 B （品牌打散）：
  - 維度：brand_id（品牌 ID）。
  - 約束：在連續的 4 個商品中，同一個品牌的商品最多隻能出現 1 次。
  配置建議：若您的商品庫較小或特定類目權重極高，過嚴的打散（如 WindowSize 過大）可能會導致整體點擊率下降。建議參考 PAI-Rec 官方文檔瞭解更多重排外掛程式細節。

 {
    "Name": "CategoryDiversityRuleSort",
    "SortType": "DiversityRuleSort",
    "DiversitySize": 20,
    "DiversityRules": [
        {
            "Dimensions": [
                "category_id"
            ],
            "WindowSize": 5,
            "FrequencySize": 1
        },
        {
            "Dimensions": [
                "brand_id"
            ],
            "WindowSize": 4,
            "FrequencySize": 1
        }
    ]
}

2、根據使用者性別和商品性別匹配的時候加權

通過配置規則，對符合特定條件的商品進行分值提權，以實現精準的人貨匹配。

核心邏輯：當使用者的性別標籤與商品的性別屬性一致時，動態提高該商品的最終排序分。
參數詳情：
- 判斷條件 (Conditions)：
  1. item.gender != nil 且 user.gender != nil：確保雙方性別資料不為空白。
  2. item.gender == user.gender：匹配使用者與商品的性別。
- 提權公式 (Expression)：score * 1.5。
  - 效果：匹配成功的商品，其排序分將提升 50%，顯著增加其進入推薦列表前排的機率。

{
    "Name": "BoostScoreSort",
    "SortType": "BoostScoreSort",
    "Debug": false,
    "BoostScoreConditions": [
        {
            "Conditions": [
                {
                    "Operator": "expression",
                    "Value": "item.gender!= nil and user.gender != nil and item.gender==user.gender"
                }
            ],
            "Expression": "score * 1.5"
        }
    ]
}