一、粗排环节的核心作用与精准度瓶颈

1.1 粗排到底做什么

我们刷短视频时，后台首先要从全平台几十万甚至上百万的新视频或候选视频里，快速挑出几百条显示在feed流里，这个“先筛一批”的环节就是粗排。它的核心是“快”——得在几百毫秒内完成，不然手机会卡顿，用户体验会差；同时还要“准”——挑出来的得是用户大概率会喜欢的，不然划两下就没兴趣了。

1.2 粗排精准度为什么难提升

粗排的矛盾点很明显：候选太多，时间不够，没法用太复杂的模型。比如用户偶尔刷了一条宠物视频，粗排不能因为这一次就把宠物视频大量推给他，但又不能忽略他真的有潜在兴趣；还有用户的“误操作”，比如手指滑到的点赞，这种无效信号也会干扰粗排的判断，导致精准度上不去。

二、提升粗排精准度的具体技巧

2.1 技巧一：基于上下文关联特征优化候选过滤

原来很多粗排只用用户的“核心历史行为”（比如最近点赞的品类），但忽略了当前场景的上下文——比如时间、设备、所在环境这些，而这些信息能帮我们过滤掉明显不匹配的视频，减少无效候选。举个例子，凌晨1点用户大概率在刷助眠或慢生活视频，这时候推美食视频就很不合理，加了时间上下文的过滤，就能减少这类误匹配。

技术栈：Python

# 粗排过滤函数：结合用户历史、当前时间、设备上下文（核心是加了场景特征）
def coarse_filter(candidate_videos, user_history_cates, current_time, device_type):
    # 定义不同时段的用户偏好对应品类（生活化规则，可根据业务调整）
    time_preference = {
        (0, 6): ["助眠", "慢生活", "科普"],   # 凌晨到6点，偏安静、短内容
        (12, 18): ["美食", "剧情", "测评"],   # 午间到傍晚，偏实用、娱乐
        (18, 24): ["娱乐", "游戏", "脱口秀"]  # 晚间，偏轻松、长内容
    }
    # 匹配当前时段的目标品类
    target_cates = []
    for (start, end), cates in time_preference.items():
        if start <= current_time <= end:
            target_cates = cates
            break
    # 过滤规则：3选1就保留——要么属于当前时段目标品类，要么和用户历史品类匹配，要么是超高热度的新内容
    filtered_candidates = []
    for video in candidate_videos:
        video_cate = video.get("category", "")
        video_tags = video.get("tags", [])
        hot_score = video.get("hot_score", 0)
        # 核心判断逻辑：减少绝对化规则，加入灵活匹配
        if (video_cate in target_cates) or (set(video_tags) & set(user_history_cates)) or (hot_score > 85):
            filtered_candidates.append(video)
    return filtered_candidates

这个示例的核心是把“死规则”变成“灵活匹配”，比如不再因为用户历史只有美食就全推美食，而是结合时段的偏好，既保留用户核心兴趣，又适配当前场景，提升候选的匹配度。

2.2 技巧二：用轻量级排序模型替代硬规则

以前粗排常用一堆if-else的硬规则，比如“点赞过美食就推美食，没有就推热点”，但这种规则太僵化，没法处理用户的复杂偏好（比如用户喜欢美食但最近也看了几次旅游）。换成轻量的机器学习模型（比如逻辑回归，计算量极小，适合粗排），就能学到更灵活的权重，比如“看了5次美食，2次旅游，那美食权重占70%，旅游占20%”，不用人工写复杂规则。

技术栈：Python

from sklearn.linear_model import LogisticRegression
import numpy as np

# 预训练轻量粗排模型（实际项目中是用历史数据训练好后上线，不用每次训练）
def build_coarse_sort_model():
    # 模拟训练数据：每个候选视频对应5个特征（比如和用户历史相似度、时段匹配度、热度、视频时长、发布时间差）
    # 1=适合推荐，0=不适合，数据模拟符合实际分布
    feature_dim = 5
    sample_count = 2000
    X = np.random.rand(sample_count, feature_dim)  # 随机生成特征
    y = np.random.randint(0, 2, sample_count)      # 随机标签，实际项目用真实用户点击/停留数据
    # 轻量逻辑回归，max_iter=100足够收敛，推理速度极快（单样本推理<1ms）
    model = LogisticRegression(max_iter=100, random_state=42)
    model.fit(X, y)
    return model

# 粗排打分函数：用模型给候选排序，取前200个（符合首页显示数量）
def sort_candidates_with_model(model, candidate_features, top_n=200):
    # 模型输出概率：代表这个候选适合用户的程度
    scores = model.predict_proba(candidate_features)[:, 1]
    # 把分数和候选对应，按分数降序排列
    sorted_candidates = sorted(zip(scores, candidate_features), key=lambda x: -x[0])
    # 取top N的候选，返回给后续精排环节
    return [feat for score, feat in sorted_candidates[:top_n]]

这个技巧的优势是模型灵活，能处理复杂偏好，而且速度快，不会影响粗排的延迟要求，适合大部分短视频平台的粗排场景。

2.3 技巧三：补充长尾行为的弱信号

粗排容易忽略用户的“弱行为”，比如视频停留了2秒就划走、看完一半退出、长按了1秒视频，这些弱信号虽然单个没权重，但累积起来能反映用户的真实偏好——比如用户很少点赞美食，但每次看到美食视频都会停留5秒，说明他其实对美食有潜在兴趣，只是没点赞。把这些弱信号加入粗排的特征，能覆盖更多用户的真实需求，避免漏推合适的视频。比如在之前的模型特征里加入“视频停留时长占比”，权重占10%，就能提升这类长尾行为的影响。

三、技巧的应用场景与技术优缺

3.1 适配的业务场景

这些技巧都适合短视频平台的首页feed流推荐、搜索结果页的相关推荐、个人中心的“猜你喜欢”模块，只要是需要从海量候选里快速筛选出小部分内容的场景，都能用到。尤其是新用户冷启动阶段，补充弱信号和上下文特征，能更快建立用户偏好的画像。

3.2 各技巧的优缺点对比

上下文关联特征的优点是实现简单、速度快，不需要复杂的模型，缺点是规则固定，没法处理用户的个性化异常；轻量级模型的优点是灵活，能学到复杂的偏好，缺点是需要少量的标注数据来训练，而且特征工程要做的规范；补充长尾弱信号的优点是覆盖更多真实需求，缺点是信号噪声多（比如用户误停留），需要做过滤处理，增加一点计算量。

四、实操注意事项

4.1 计算资源的权衡

粗排的延迟要求极高，一般要控制在300ms以内，所以模型不能太复杂，特征数量最好控制在10个以内，代码逻辑要尽量简化——比如不要用嵌套太多的循环，尽量用向量化运算（像示例里的模型推理），避免占用太多计算资源，影响整体推荐速度。

4.2 信号噪声的过滤

弱信号很容易有噪声，比如用户手指误触的停留、不小心长按的视频，要加入过滤规则：比如停留时长小于1秒的不算有效信号，点赞后1秒内划走的不计入核心行为，这些细节能避免噪声干扰粗排的判断，提升精准度。

五、总结

粗排是短视频推荐系统的第一道关卡，精准度直接影响用户后续的停留和点击，提升的核心是在“低延迟”和“精准匹配”之间找到平衡。上下文关联特征优化、轻量级模型替代硬规则、补充长尾弱信号这三个技巧，不需要太复杂的技术，容易落地，适合大部分开发者快速优化自己的推荐系统，提升用户的使用体验。