1. 概述
召回是指從全量資訊集合中觸發盡可能多的正確結果，並將返回結果給「排序」；排序是對所有召回的內容進行打分排序，選出得分最高的幾個結果推薦給使用者。
2. 召回策略
常用的主要有協同過濾、向量化召回和深度樹匹配模型。
2.1 協同過濾
協同過濾主要分為基於物品的協同過濾、基於使用者的協同過濾和基於模型的協同過濾。
①基於物品的協同過濾
給使用者推薦那些和他們之前喜歡的物品相似的物品。
②基於使用者的協同過濾
當召回使用者a的候選集時，可以先找到和他有相似興趣的其他使用者，然後把那些使用者喜歡的、而使用者a未互動的物品作為候選集。
③基於模型的協同過濾
矩陣分解
2.2 向量化召回
向量化召回時通過模型學習使用者和物品的興趣向量，並通過內積來計算使用者和物品之間的相似度，從而得到最終的候選集。
①youtube召回模型
構建pair對，計算相似度，取topn。
②區域性敏感雜湊
對原始資料空間中的向量進行hash對映，得到hash table，使得原始資料空間中兩個相鄰向量通過相同的hash變換後，被對映到同乙個桶的概率很大，而不相鄰的向量被對映到同乙個桶的概率很小。所以在召回階段，
將所有的物品興趣向量對映到不同的桶內，然後將使用者興趣向量對映到桶內，只需要將使用者向量與該桶內的物品向量求內積即可。
總結：向量召回化要求模型圍繞著使用者和向量的embedding展開，同時在頂層進行呢及運算得到相似度。
2.3 深度樹匹配模型
構建通用推薦演算法框架，允許任意形式的模型，不限定形式，其核心是構造一棵興趣樹，葉子結點是全量的物品，每一層表示一種細分的興趣。
3. 參考部落格
推薦系統之召回策略 Blog2
今天也要加油鴨 海量 item 召回 粗排 候選集合 排序 精排 排序列表 規則 多樣化推薦 推薦結果 所謂召回，是指從上百千萬的商品中，粗排出幾百上千的商品，供打分模型精排。目前工業界的推薦系統，在召回階段，一般都採取多路召回策略。比如典型的召回路有 基於使用者興趣標籤的召回 基於協同過濾的召回 ...
推薦系統召回之userCF
通過計算使用者之間的相似度。這裡的相似度指的是兩個使用者的興趣相似度。假設對於使用者u uu和v vv，n u n u n u 指的是使用者u uu喜歡的物品集合，n v n v n v 指的是使用者v vv uu和v vv的相似度 w uv n u n v n u n v w frac wuv n...
推薦系統 召回 冷啟動
冷啟動問題主要分為兩類 這裡主要分享兩個演算法，乙個是利用使用者的註冊資訊進行冷啟動，乙個是利用物品本身資訊進行冷啟動。這裡主要利用使用者註冊時填寫的人口統計學資訊，如年齡 性別 職業 民族 學歷和居住地 獲取使用者的註冊資訊 根據註冊資訊對使用者進行分類 給使用者推薦他所屬那個分類中使用者喜歡的物...