在排序配置中我们选择添加一个“精排”：
精排模型名称：字母加下划线，推荐用：${场景名称}_${模型名称}_rank
精排目标设置：精排目标可以设置多个目标，包含分类和回归目标，详情如下：
分类目标
精排目标名称自定义；精排目标表达式，一般我们是二分类目标，根据聚合条件做对应的聚合；目标类型分类就是classification，如下图：
回归目标
精排目标名称可自定义；
精排目标表达式：对于回归目标，我们需要对行为表目标数值做sum聚合加和，然后取log变换；
目标类型：选择回归目标regression;
精排目标依赖：如果某目标（x）需要依赖另外一个目标（y），可以在目标依赖处填写。例如：在视频中我们只有点击之后才会播放，播放的观看时长是play_time，那么play_time目标可以依赖点击目标（注意这里选择的是上面注册的分类任务名称is_click）。同理，其他分类任务也适用。如下图：
过滤字段：可以选择我们不需要参与训练的特征，或者不能在曝光之前获取到的特征，如play_time是曝光之后用户的观看时长。这些字段放在训练特征里面会导致特征穿越。其他如是否点击、是否付费的字段都要去掉。
训练天数：表示我们用多少天的数据集进行训练精排模型。
模型选择：如果是单任务则结合EasyRec选择单任务的模型，是多任务的选择多任务的模型，此处我们是多任务，选择DBMTL。
特征选择方式，特征选择的目标列：特征选择方式如果有配置，将对所有的特征进行筛选，选择重要的特征进行训练，目标列则配合其选择方式，选择重要的特征。由于这个方案增加了复杂性，建议第一个模型版本不使用。
是否增量训练：false表示全量训练，建议默认选择false。true则表示增量训练，我们后一天的训练会在前一天训练好的模型上继续训练。
是否异步训练：在分布式训练中是否异步训练。
样本权重：如果配置，则会对不同样本根据表达式获得权重，进而影响模型训练精度，一般不用。
场景数据筛选：是否用某特定场景下的数据进行训练。
使用特征平台：是否会使用配置好的FeatureStore，如果在推荐方案的环境配置中有配置FeatureStore，则会启用FeatureStore。
自动特征工程：会根据现有的特征，利用算法挖掘更有用的特征来进行训练。建议第一个版本不用autofe，当需要调优效果的时候再使用自动特征工程挖掘更多的特征。