在推荐系统中，召回、粗排、精排、重排是典型的多阶段级联流程，分别承担不同作用，共同平衡效果与效率。以下是四者的核心总结：

召回（Recall）

• 作用：从海量候选池（百万/亿级）中快速筛选出几百到几千条与用户可能相关的候选集。

• 特点：

  1. 追求广度：覆盖用户潜在兴趣（如协同过滤、内容标签、热门内容、实时行为召回等）。

  2. 轻量高效：规则、简单模型或向量检索（如双塔模型、ANN搜索）快速初筛。

  3. 多路并行：多路召回策略互补，避免单一策略遗漏优质内容。

粗排（Pre-ranking）

• 作用：对召回结果进行初步排序，进一步压缩候选量（如千级→百级），减轻精排压力。

• 特点：

  1. 效率优先：使用轻量级模型（如LR、浅层NN），特征复杂度低于精排。

  2. 准排序：粗粒度区分内容价值，过滤低质候选，避免精排过载。

  3. 可省略：部分系统将粗排与召回合并，直接进入精排。

精排（Ranking）

• 作用：对粗排结果进行精细化排序，输出用户最可能交互的Top结果（如百级→几十条）。

• 特点：

  1. 效果核心：复杂模型（如DeepFM、DIN、Transformer）融合多维度特征（用户、内容、上下文）。

  2. 精准预估：预测CTR、时长、转化率等目标，按业务目标加权排序。

  3. 计算代价高：特征工程复杂，模型参数量大，需分布式推理。

重排（Re-ranking）

• 作用：对精排结果进行业务规则调整，优化用户体验和系统指标。

• 特点：

  1. 策略导向：去重、打散相似内容、插入广告/运营位、多样性控制、实时反馈融入（如用户跳过立刻降权）。

  2. 动态调整：结合上下文（如当前页面已曝光内容、实时点击率波动）。

  3. 端侧协同：部分策略在客户端实时执行（如短视频下滑时即时调整）。

四者关系总结

漏斗结构：候选量逐级减少（亿→千→百→十），计算复杂度逐级增加。

效果-效率权衡：召回/粗排侧重效率，精排/重排侧重效果；前者防止系统崩溃，后者保障收益最大化。

协同优化：四阶段需联合调优（如召回质量影响上限，精排决定最终效果，重排弥补模型偏差）。

工业应用示例

• 短视频推荐：
  召回（行为相似视频+热门池）→ 粗排（轻量CTR模型）→ 精排（深度用户兴趣模型）→ 重排（去重、打散同类作者）。

• 电商推荐：
  召回（协同过滤+购买邻接商品）→ 粗排（品类/价格过滤）→ 精排（多目标转化预估）→ 重排（库存/促销规则插入）。

各阶段设计需结合业务场景灵活调整（如重排可能是模型+规则的混合阶段），但其核心目标始终是：高效筛选候选，精准匹配需求，动态优化体验。