排序

2026/10/23大约 5 分钟

排序

Gorse 合并来自多个推荐器的推荐，并对它们进行排序以产生最终的推荐列表。

配置

type 是排序器类型。支持的排序器是：
- none 表示不执行排序。
- fm 使用因子分解机^[1]对推荐物品进行排序。
- llm 使用大语言模型重排^[2]对推荐物品进行排序。
query_template 是大语言模型重排的查询模板。当 type 为 llm 时，此字段是必需的。模板支持以下变量：
- feedback 是用户的历史反馈。
document_template 是大语言模型重排的文档模板。当 type 为 llm 时，此字段是必需的。模板支持以下变量：
- items 是要排序的推荐物品列表。

feedback 和 items 的类型定义。

feedback 的类型是：

type FeedbackItem struct {
	FeedbackType string
	ItemId       string
	IsHidden     bool
	Categories   []string
	Timestamp    time.Time
	Labels       any
	Comment      string
}

items 的类型是：

type Item struct {
	ItemId     string
	IsHidden   bool
	Categories []string
	Timestamp  time.Time
	Labels     any
	Comment    string
}

recommenders 是其推荐被合并和排序的推荐器的名称。值应为以下之一：
- latest 使用最新的物品推荐器。
- collaborative 使用协同过滤推荐器。
- non-personalized/NAME 使用名称为 NAME 的非个性化推荐器。
- item-to-item/NAME 使用名称为 NAME 的物品到物品推荐器。
- user-to-user/NAME 使用名称为 NAME 的用户到用户推荐器。
early_stopping.patience 是在没有改进的情况下，因子分解机训练将停止的 epoch 数。默认为 10。

示例

在演示项目 GitRec 中，因子分解机用于对来自多个推荐器的推荐物品进行排序：

来自最新物品推荐器的最新仓库。
协同过滤推荐。
来自非个性化推荐器的过去一周最受关注的仓库。
来自物品到物品推荐器的相似仓库。
来自用户到用户推荐器的相似用户的积极反馈中的仓库。

[recommend.ranker]
type = "fm"
recommenders = ["latest", "collaborative", "non-personalized/most_starred_weekly", "item-to-item/neighbors", "user-to-user/neighbors"]

算法

因子分解机

与矩阵分解的学习算法不同，负反馈用于因子分解机训练。训练数据集由下式构成

D=\{((x_1,\dots,x_f,\dots,x_F),1)|(u,i)\in R\}\cup\{((x_1,\dots,x_f,\dots,x_F),0)|(u,i)\notin R\}

输入向量 $\mathbf{x}$ 的维度是物品、用户、物品标签和用户标签数量的总和： $F = |I| + |U| + |L_I| + |L_U|$ 。对于一对 $(u,i)$ ， $\mathbf{x}$ 中的每个元素定义为

x_f=\begin{cases} \mathbb{I}(f=u)&0<f\le |I|\ \mathbb{I}(f-|I|=u)&|I|<f\le |I|+|U|\ \mathbb{I}(f-|I|-|U|\in L_i)&|I|+|U|<f<\le |I|+|U|+|L_I|\ \mathbb{I}(f-|I|-|U|-|L_U| \in L_u)&|I|+|U|+|L_I|<f<\le F \end{cases}

输入向量 $\mathbf{x}$ 的预测输出是

\hat y = w_0 + \sum^n_{i=1}w_i x_i + \sum^n_{i=1}\sum^n_{j=i+1}\left<\mathbf{v}_i,\mathbf{v}_j\right>x_i x_j

其中必须估计的模型参数是： $w_0\in\mathbb{R}$ ， $\mathbf{w}\in\mathbb{R}^n$ ， $\mathbf{V}\in\mathbb{R}^{n\times k}$ 。而 $\left<\cdot,\cdot\right>$ 是两个向量的点积。参数通过带有 SGD 的 logit 损失进行优化。损失函数是

\mathcal C=\sum_{(\mathbf{x},y)\in D}−y\log(\hat y)−(1−y)\log(1-\hat y)

每个参数的梯度是

\frac{\partial}{\partial\theta}\hat y=\begin{cases} 1,&\quad ext{if }\theta\quad ext{ is }w_0\ x_i,&\quad ext{if }\theta\quad ext{ is }w_i\ x_i\sum^n_{j=1}v_{j,f}x_j-v_{i,f}x^2_i,&\quad ext{if }\theta\quad ext{ is }v_{i,f} \end{cases}

大语言模型重排

最近的研究表明，大型语言模型（如 ChatGPT）可以通过提示词工程有效地执行推荐^[2:1]^[3]。Gorse 利用这种能力，通过使用 LLM 根据用户反馈和物品信息对推荐物品进行排序。

在使用大语言模型重排器之前，必须在配置文件的 [recommend.ranker.reranker_api] 中配置 Reranker API。还必须在排序器配置中提供查询模板和文档模板。推荐 GitHub 仓库的一个示例模板如下：

查询模板

You are a GitHub repository recommender system. Given a user is interested in the following repositories:
{% for repo in feedback -%}
- {{ repo.Comment }}
{% endfor -%}
Please sort repositories by the user's interests.

文档模板

{{ item.Comment | replace(",", " ") | replace("\n", " ") }}

feedback 包含用户最近的反馈，items 包含要排序的推荐物品列表。feedback 的数量可以通过 recommend.context_size 控制。大语言模型重排器渲染查询模板和文档模板，然后将其发送到 Reranker API。然后解析响应以提取排序后的物品 ID 列表。

API 兼容性

Gorse 支持 Jina/Cohere 风格的文本重排 API。它通过 POST 请求发送 model、query 和字符串数组 documents，使用 Authorization: Bearer <auth_token> 认证，并从响应顶层的 results 数组中读取文档的 index 和 relevance_score。

以下接口兼容这一基础文本重排协议：

服务	重排接口地址
Jina AI	`https://api.jina.ai/v1/rerank`
Cohere	`https://api.cohere.com/v2/rerank`
阿里云百炼	`/compatible-api/v1/reranks`
硅基流动	`https://api.siliconflow.cn/v1/rerank`
vLLM	`http://localhost:8000/rerank`
llama.cpp (llama-server)	`http://localhost:8080/v1/rerank`

url 必须填写包含路径的完整重排接口地址，而不是 API 基础地址。例如，除了上面的查询和文档模板，还可以配置 Jina AI：

[recommend.ranker.reranker_api]
auth_token = "<JINA_API_KEY>"
model = "jina-reranker-v2-base-multilingual"
url = "https://api.jina.ai/v1/rerank"

这里的兼容性仅指基础文本请求和排序响应，并不涵盖所有服务专属选项。Gorse 不发送多模态文档，也不发送重排指令、截断设置等服务专属参数。声明兼容 OpenAI 的服务不一定兼容这一重排协议；认证方式、请求字段或响应格式不同的接口需要通过适配器接入。

Rendle, Steffen. "Factorization machines." 2010 IEEE International conference on data mining. IEEE, 2010. ↩︎
Liu, Junling, et al. "Is chatgpt a good recommender? a preliminary study." arXiv preprint arXiv:2304.10149 (2023). ↩︎ ↩︎
Dai, Sunhao, et al. "Uncovering chatgpt’s capabilities in recommender systems." Proceedings of the 17th ACM Conference on Recommender Systems. 2023. ↩︎