排序模型初始权重怎么设?

这道题其实问的是多目标权衡的冷启动问题。就是说，在还没有用户反馈数据的时候，怎么给相关性、时效性、热门度这些因素一个合理的初始权重，让排序先跑起来，再慢慢优化。

最直接的方法就是人工先验法，业务专家根据场景拍一个权重。比如新闻搜索，时效性权重肯定要高，我可能先设成 0.5*rel + 0.3*time + 0.2*hot；但如果是电商搜索，热门度和相关性就更重要，时效性几乎可以忽略。这个方法的优点是快，一周内就能上线，而且可解释性强，出了问题业务一眼能看出是哪个因素偏了。但缺点也很明显，主观，拍脑袋的权重不一定准。所以我会把它当作起点，而不是终点。

然后，如果有一些历史点击日志，可以用统计启发法来校准。比如算一下每个特征和CTR的相关系数，作为权重的参考。这里有个坑：特征量纲不一样，相关性、时效性、热门度数值范围可能差好几个数量级，所以必须先做归一化，比如min-max或者z-score，不然权重就没意义了。

再进阶一点，可以用参数搜索法。在验证集上，用网格搜索或者贝叶斯优化去遍历权重组合，找NDCG最高的那组。网格搜索简单但维度一高就爆炸，所以我更倾向贝叶斯优化，它用高斯过程建模权重和NDCG的关系，采样效率高很多，几十轮就能找到一个不错的解。

等数据积累到一定量，比如几千条标注数据，就可以上轻量模型了。直接训练一个线性模型或者GBDT，把特征重要性作为权重。或者更彻底一点，训练一个Pointwise或者Pairwise的Learning to Rank模型，让模型自己去学权重。这样就从规则过渡到了模型，效果通常更好。

说白了，实际落地从来不是只用一种方法。我一般的做法是：先用人工先验快速上线，同时用统计启发和参数搜索离线调优，等数据够了再切到轻量模型。而且这个过程是迭代的，权重不是设完就不动了，线上我会加滑动平均来平滑，避免短期波动导致排序剧烈变化。

这里有个风险要特别注意：特征之间可能冲突。比如某个新闻很热但时效性已经过了，如果权重没处理好，可能还排在前面。所以我会设计融合规则，比如时效性用指数衰减函数，让过期的新闻自然降权。另外，位置偏置也会干扰权重学习，用户点击可能只是因为排得靠前，而不是真的相关。所以离线评估时，我会用 NDCG 或者 MRR 去偏，线上用小流量A/B测试验证。

其实还有一个更前沿的方向，就是用强化学习做权重动态调整，根据实时反馈让排序策略自适应。不过这个对数据量和工程要求都很高，一般业务场景先不用急着上。

所以，我的核心观点是：初始权重不是拍一次就完事的，它是一个从人工到统计到模型的渐进过程，关键是快速验证、持续迭代。我会把人工先验看作 MVP，把模型学习看作终态，中间用统计和搜索做桥梁。