随着社会的发展,短视频逐渐成为人们生活中不可或缺的一部分甚至已经发展到全民创作的阶段,导致视频数量与日俱增,造成用户对视频难以选择的问题。对此视频平台利用推荐算法为用户选择特定的视频。在推荐算法中,召回阶段主要是负责对海量的数据进行粗排,得到了一定数量级的视频候选集,这也就直接对最终的视频推荐列表产生了决定性的影响。在此背景下,本文使用后验特征在召回阶段之后设计一个重排序流程,来提升召回阶段的排序效果。本次重排序流程中借鉴了Youtube DNN论文中的建模思想,将提升用户平均播放时长作为优化目标并以此来增加用户的黏性。基于后验指标的重排序流程主要包含了用户日志分析、特征工程的构造、模型训练、在线推理、自反馈优化机制以及最终进行A/B测试这些阶段。在用户日志分析流程中详细的考虑了每个用户行为所对应字段的物理含义,并通过计算公式得到ctr（视频点击通过率）、ppi（视频的展均播放时长）这些后验指标。在特征工程的构造中使用之前计算得到的后验指标,以时间间隔为参数来计算得到相应的后验数据,通过将得到的后验数据聚合起来,构建具有正反馈的后验特征。在特征构造完成后,为了进行模型训练,因而使用后验指标来对视频数据构造标签并说明其标签构造的规则和物理意义。在构建完后验特征和视频数据标签后,设计了基于梯度提升决策树模型（GBDT）的训练流程,并将之前计算得到的后验特征喂给模型进行训练,并由此得到可以对倒排数据进行得分预测的模型。在模型对召回所得的倒排数据进行预测之后,通过在线推理将预测得分和相似度得分进行综合考虑,得到视频的总得分,并建立重排序算法的自反馈优化机制通过调整权重来重新训练模型。将处理好的倒排数据提交给引擎进行截断和排序。最后通过A/B测试来验证重排序的效果,并启动自反馈优化机制。从研究结果分析得到,本文基于后验指标的重排序算法在短视频推荐的背景下,对召回得到的倒排数据进行重排序。在重排序流程中考虑了更加有意义的后验特征,从而提高视频排序效果,提升了用户展均播放时长,降低了后续精排阶段流程复杂度,提高了整体视频推荐的效率。