为什么推荐系统选择先使用GBDT进行粗略排序，之后再利用deepfm进行精细排序呢

推荐系统的目标是为用户提供个性化的推荐，而GBDT和DeepFM分别擅长于解决不同的问题。GBDT可以处理高维稀疏特征，对于数据中的非线性关系有较好的拟合能力，可以捕捉到特征之间的交叉信息。而DeepFM则结合了深度学习和FM模型的优势，可以通过神经网络学习更高阶的特征交叉信息，从而进一步提高排序的准确性。

因此，将GBDT和DeepFM结合起来使用，可以充分利用它们各自的优势，先通过GBDT进行粗略排序，筛选出一些高质量的候选物品，再将这些候选物品输入到DeepFM模型中进行精细排序，得到最终的推荐列表。这样可以同时考虑到特征的线性和非线性关系，提高推荐的准确性和效率。