召回阶段怎么选方法?

回答与解析

召回阶段的核心作用

召回是推荐/检索系统的**"漏斗第一层"，核心目标是从百万/亿级候选集中快速筛选出千级相关候选**，关键约束是延迟敏感（通常<50ms）。本质是效率与效果的权衡——不求最准，但求不错过潜在相关项。

四类召回方法对比

关键设计考量

Soul的特殊性：社交产品强依赖双向匹配，召回需同时考虑：

• 用户画像匹配（兴趣、年龄、地域）
• 社交图谱扩展（朋友的朋友）
• 实时行为反馈（谁看过我、谁喜欢我）

工业实践：通常采用多路召回（各方法并行）+ 粗排过滤 + 精排排序的级联架构，通过召回多样性保证后续排序的上限。

学习建议

建议先理解推荐系统整体流程，再分模块学习召回技术，结合实际案例对比不同方法，强化对优缺点的理解。

口语版讲法(约4分钟)

• 一句话定位：召回是效率与效果的平衡
• 协同过滤与向量召回：适用场景与边界
• 图召回与规则召回：特殊场景的补充
• 多路召回与粗排：工业实践的关键
• 风险与落地：冷启动与多样性

这道题其实问的是，在推荐系统里，召回到底在解决什么问题？说白了，它不是找最准的，而是在海量候选里用最快速度圈出有可能相关的，把筛子放到精排面前。所以核心是效率与效果的平衡，你要在几十毫秒内从百万甚至亿级池子里捞出几百个，不能漏掉好的，但也不能因为追求精确而把系统搞慢。

具体到方法，我一般从几个维度来看。先说协同过滤，它依赖用户和物品的交互矩阵，找相似用户或者相似物品。优势很明显，不需要特征工程，靠群体行为就能挖掘关联。但它的局限也很突出，冷启动完全没法处理，新用户新物品进来矩阵是空的，另外就是热门偏置，容易推的都是爆款，长尾很难出来。所以它适合用户行为已经很丰富的成熟业务，比如电商里用户购买记录多的场景。

再一个就是向量召回，现在工业界用得最多的双塔结构。用户塔和物品塔分别编码，最后算向量内积近似。它的好处是泛化能力强，能利用用户和物品的属性做语义匹配，而且可以增量更新。但训练成本高，负样本怎么选很关键，选不好模型就学偏了。另外它有个风险，就是可能过度泛化，比如用户点过一次某个内容，向量召回能推出完全不相关的类似风格，但实际用户并不感兴趣。所以它更适合大规模、需要语义理解的场景，比如新闻推荐或者视频推荐。

图召回和规则召回算是两种补充。图召回构建用户和物品的异构图，用GNN传播高阶信号，能捕获多跳关系，比如朋友的朋友这种。它特别适合社交产品，因为社交关系天然就是图结构。但计算复杂，图构建和更新成本很高，实时性是个挑战。规则召回就简单粗暴了，人工定策略，比如热门、新品、运营干预。它的好处是可控可解释，上线快，能兜底。但天花板低，很难个性化，维护起来也累。所以规则召回一般用在冷启动阶段或者新用户引导，作为保底。

真正落地的时候，你会发现没有一种方法能包打天下。工业实践里，主流是多路召回加粗排的架构。多路召回就是让协同过滤、向量、图、规则这些并行跑，各自出一些候选，然后合并去重。为什么需要多路？因为不同方法擅长不同维度，协同过滤抓住群体偏好，向量抓住语义相似，图抓住社交关系，规则保证基本覆盖。合并之后再用粗排快速过滤掉明显不相关的，最后才交给精排。这个架构的核心是保证召回的多样性，因为精排只能从送进来的候选里选，如果召回本身就很窄，精排再强也没用。

这里有个容易被忽略的点，就是召回多样性怎么量化？我一般会看召回集合的覆盖率和熵，如果某个来源占比太高，就要调整权重或者加一些随机采样。另外冷启动阶段，我会特别关注规则召回和向量召回的配合，比如新用户先用热门规则兜底，同时用少量行为做向量召回试探兴趣。

总的来说，我更倾向把召回看作一个系统工程，不是选哪个方法最好，而是怎么组合才能平衡效率、效果和多样性。面试官如果感兴趣，我可以展开讲讲多路召回里权重怎么动态调整，或者向量召回中负采样的一些实践。

关键一句:召回多样性量化及冷启动时规则与向量召回的配合

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你在做电商的推荐系统，商品池有几千万，用户请求必须50毫秒内返回。你不能把几千万商品全算一遍吧？第一层你是怎么从亿级候选里快速捞出几百个的？

2. 问法 2 · 层层追问

   推荐系统的整体流程你了解吧？……那第一层召回你一般用什么方法？……比如用户刚注册、行为很少，你怎么召回？……那如果用户行为很丰富呢？不同场景怎么选？

3. 问法 3 · 直球架构

   请系统阐述召回阶段在推荐或检索流程中的核心作用，并列举至少四种常见召回方法，对比它们的适用场景、优势和局限性。