一、概念

        召回（Recall）是推荐系统 pipeline 中的第一个核心环节，其核心目标是从海量候选物品（全量物品池，可能达百万甚至亿级）中，快速筛选出与用户兴趣相关的小部分候选集（通常为数百到数千个），为后续的粗排、精排等环节提供基础。

        简单来说，召回就像 “海选”：面对成千上万的物品，先通过高效的策略或模型，排除掉明显不相关的物品，留下可能被用户接受的 “种子选手”。其核心诉求是“不漏掉潜在的好物品”（高覆盖率）和“快速完成筛选”（高效率），而非追求高精度（这是后续精排的任务）。

        召回环节的核心原理是基于 “用户兴趣信号” 和 “物品特征”，构建用户与物品的关联规则或映射关系，从而从全量物品中快速定位候选集。具体来说：

1. 输入：用户的历史行为（如点击、购买、收藏）、用户属性（如年龄、性别）、物品属性（如类别、标签）、用户 - 物品交互关系（如点击矩阵）等；
2. 核心逻辑：通过模型或规则，学习 “用户兴趣向量” 和 “物品向量”，或直接构建 “用户→候选物品” 的映射关系；
3. 输出：一个规模可控的候选物品集（通常数百至数千个），确保其中包含足够多用户可能感兴趣的物品。

        例如：若用户近期购买了 “篮球”，召回环节可能基于 “篮球→运动装备” 的关联，快速召回 “篮球鞋、运动服” 等候选物品，而无需遍历全量的服装、家电等无关物品。

二、定位

        推荐系统的典型流程为：召回 → 粗排 → 精排 → 重排。召回是整个流程的 “第一道关卡”，其定位可概括为：

1. 流量入口：作为推荐系统的第一个环节，召回直接决定了后续所有环节的候选集 “原料”。若召回阶段漏掉了用户真正感兴趣的物品（如用户想买的某本书），后续的精排再精准也无法挽回；
2. 效率瓶颈：全量物品规模通常极大（如短视频平台可能有数十亿条内容），若直接对全量物品用复杂模型计算，会导致响应时间过长（用户无法接受）。召回通过高效策略将候选集规模压缩到数千以内，为后续环节（尤其是精排）的高精度计算提供可行性；
3. 覆盖率保障：召回不追求 “精准”，但需确保覆盖足够多的潜在兴趣（如用户既喜欢 “科幻电影” 也可能喜欢 “科幻小说”），避免推荐结果过于狭窄（“信息茧房” 的早期预防）。

三、主流技术

        召回环节的模型需满足 “高效率” 和 “高覆盖率”，因此通常采用轻量型模型或带有 “向量检索” 优化的模型。主流模型可分为传统机器学习模型和深度学习模型两类：

1. 机器学习模型

        这类模型以简单、高效为特点，适合早期推荐系统或中小规模场景。

1.1协同过滤（Collaborative Filtering, CF）

        基于 “用户行为的相似性” 或 “物品的相似性” 进行召回，核心假设是 “兴趣相似的用户喜欢相似的物品”。

• 基于用户的协同过滤（User-based CF）：找到与目标用户兴趣相似的 “邻居用户”，将邻居喜欢的物品召回给目标用户；
• 基于物品的协同过滤（Item-based CF）：找到与目标用户历史交互物品相似的物品，作为候选集（如 “买了 A 的人还买了 B”）。

        优势：实现简单、可解释性强；劣势：对冷启动（新用户 / 新物品）不友好，难以捕捉复杂兴趣。

1.2 矩阵分解（Matrix Factorization, MF）

        将用户 - 物品交互矩阵（如点击矩阵）分解为 “用户隐向量矩阵” 和 “物品隐向量矩阵”，通过向量相似度（如余弦相似度）召回候选物品。典型方法有SVD、FunkSVD、ALS（交替最小二乘）等。相比协同过滤，能捕捉隐式兴趣，泛化能力更强；劣势：对非线性关系建模不足。

1.3 关联规则（Association Rules）

        从用户行为中挖掘物品间的关联关系（如 “购买 A 后，80% 会购买 B”），用规则召回（如 “用户买了 A，则召回 B”）。典型算法有Apriori、FP-Growth。优势是可解释性极强，适合高频、短期关联（如超市购物篮）。劣势则是规则数量爆炸，难以处理大规模场景。

2. 深度学习模型

        随着数据规模增长和算力提升，深度学习模型因更强的特征表达能力，成为工业界召回环节的主流选择。

2.1 双塔模型（Two-Tower Model）

        工业界最常用的召回模型之一，核心是 “用户塔” 和 “物品塔” 两个独立的神经网络：

• 用户塔：输入用户特征（历史行为、属性等），输出用户向量；
• 物品塔：输入物品特征（属性、内容等），输出物品向量；
• 召回时，通过计算用户向量与物品向量的相似度（如余弦距离），快速筛选候选物品。
  优势：用户 / 物品向量可离线预计算，在线通过向量索引（如 FAISS）快速检索，支持亿级物品；适合大规模场景。

2.2 图神经网络（Graph Neural Networks, GNNs）

        将用户 - 物品交互建模为图（节点：用户 / 物品；边：交互关系），通过图嵌入技术学习节点向量，再通过向量相似度召回。典型模型：

• DeepWalk/Node2Vec：通过随机游走生成节点序列，用 Word2Vec 学习向量；
• GraphSAGE：通过聚合邻居信息更新节点向量，捕捉局部结构；
• GAT（图注意力网络）：引入注意力机制，给重要邻居更高权重。
  优势：能捕捉用户 - 物品、物品 - 物品间的复杂关系（如 “用户 A 喜欢物品 B，物品 B 与物品 C 相似”），泛化能力强；劣势：计算成本较高，需优化才能支持大规模场景。

2.3 序列模型（Sequential Models）

        针对用户近期行为序列（如 “浏览→加入购物车→购买”），建模时序依赖关系，召回与序列趋势匹配的物品。典型模型：

• GRU4Rec：用 GRU 捕捉序列依赖，输出下一个可能感兴趣的物品；
• Transformer4Rec：用自注意力机制捕捉长序列中的关键行为，效果优于 GRU。
  优势：适合动态兴趣（如用户临时想买礼物），能捕捉短期趋势；劣势：对长序列计算成本高，依赖行为序列的连续性。

• 神经网络协同过滤（Neural Collaborative Filtering, NCF）
  结合 MF 和神经网络的优势：用 MLP 捕捉用户 - 物品的非线性交互，用 MF 捕捉线性交互，联合输出预测分数，取高分物品作为召回候选。
  优势：相比传统 MF，能建模更复杂的兴趣模式；劣势：计算效率低于双塔，适合中等规模场景。