推荐系统之召回模块

召回是当需要为用户展示内容时合理的提供物料，包含物料的类型及排序。召回需要根据召回所在场景的运营目的，提供合适的物料以供达到目标，例如购物车会推荐与加购商品相似的商品以供比对价格或展示与加购相关的商品以提高购买额，因此购物车场景下召回的核心是计算两两相似性。因此召回根据场景不同涉及如下指标：流行、多样、新鲜、相关（用户与用户、物料与物料）。

根据产品阶段不同、场景不同、个性化要求不同分为三种召回方式：

1、个性化召回

• 行为是个性化基础，通过行为可得到细致的用户画像，如长短期兴趣、消费行为、人群兴趣等等，可根据相似度高低召回。
• 挖掘用户关系，理论基础是强关系具有一定的爱好相似性。
• 根据上下文定位召回的重点，上下文包括：所处环境、时间、空间、状态、推荐场景
• 重点说下行为对于个性户召回的重要性：行为与兴趣具有重合度，是个性化精准推荐所有研究理论的基石。基于协同过滤、矩阵分解，与行为强相关。行为相关是上下文相关的长周期下的聚合与筛选，主要借助协同过滤、模型、专家系统等，依赖模型和数据的离线或近线处理

2、非个性化召回

• 在个性化召回结果不足的情况下，通过非个性化进行补足
• 热度召回
• 物料相似推荐

3、多路召回

兼顾多个指标，将满足各指标要求的召回结果融合在一起。

 

召回过程示例图

补充说明：

排序因子ctr corpriee,ctr ts,match score,tragger scoretime decay,match type ctr cvr,match type score...

排序模型建模：考虑稀疏性、正负比例、预估不准等问题。score = ctr**a*cvr**b*priee**r

精细化排序：多过程建模，E&E探索解决低置信度预估模型问题