編輯導(dǎo)語：推薦系統(tǒng)的7大環(huán)節(jié)中，其中非常核心的一環(huán)是召回，推薦系統(tǒng)中的召回策略是怎樣的呢？本文重點(diǎn)介紹基于規(guī)則的召回，希望對你有所啟發(fā)。

上一篇為大家介紹了推薦系統(tǒng)的整體架構(gòu)，本篇為大家詳細(xì)介紹推薦系統(tǒng)里面非常核心的一環(huán)就是召回。一共分為三篇文章來為大家詳細(xì)介紹推薦系統(tǒng)中的召回策略。

一、主流的召回方法

目前市場上所有的召回方法都可以歸納為3大類。如下圖所示：

1.1 基于規(guī)則的召回

基于規(guī)則是最常用的召回策略，也是解釋性最強(qiáng)的召回策略。常見的規(guī)則召回策略有：基于內(nèi)容標(biāo)簽的召回，基于商品銷量或者內(nèi)容熱度的召回，召回歷史高點(diǎn)擊率的物料，召回平臺評價&質(zhì)量分比較高的物料，召回用戶經(jīng)常購買的一些商品或者?？吹奈锪希?Part2將會針對這一部分詳細(xì)展開介紹。

此種策略的優(yōu)缺點(diǎn)：

• 優(yōu)點(diǎn)：策略邏輯清晰明了，業(yè)務(wù)意義明確，可解釋性極強(qiáng)；
• 缺點(diǎn)：個性化弱，千人一面，為每個用戶推薦的商品比較類似。同時容易引起馬太效應(yīng)，頭部的物料得到越來越多的曝光機(jī)會，尾部的物料曝光機(jī)會越來越少。

1.2 協(xié)同過濾

協(xié)同過濾的召回算法可以說是推薦系統(tǒng)最經(jīng)典的算法了，甚至可以說有了協(xié)同過濾算法才真正代表了推薦系統(tǒng)的誕生。協(xié)同過濾算法最經(jīng)典的是以下兩個算法：

I 2 I （Item-CF）：

用戶A喜歡的物料a，為用戶A推薦和物料a比較相似的物料b；該算法的核心問題是如何計算物料a和其他物料b,c,d,e……的相似度；該算法最早起源于電商巨頭亞馬遜。

U 2 U（User-CF）：

用戶A和用戶B很相似，為用戶A推薦用戶B感興趣且用戶A之前沒有接觸過的物料a，因?yàn)槎呤窍嗨频?，所以我們認(rèn)為用戶B感興趣的物料用戶A也會感興趣；該算法的核心是如何計算用戶與用戶之間的相似度。

此種策略的優(yōu)缺點(diǎn)：

• 優(yōu)點(diǎn)：算法邏輯相對比較簡單容易實(shí)現(xiàn)，但同時又有不錯的效果，具備了一定的個性化。
• 缺點(diǎn)：和基于規(guī)則的召回具有同樣的問題，冷啟動的問題比較明顯，同時同樣會存在一定的馬太效應(yīng)，頭部熱門商品更容易和其他商品產(chǎn)生更多關(guān)聯(lián)。但是整體協(xié)同過濾算法的出現(xiàn)已經(jīng)讓推薦系統(tǒng)進(jìn)步了一大截；協(xié)同過濾算法下一篇文章將詳細(xì)展開介紹。

1.3 基于向量的召回

其實(shí)無論是基于規(guī)則的召回，還是協(xié)同過濾算法。我們都是通過一定規(guī)則或者方法去計算物料與物料之間的相似度，用戶與用戶之間的相似度。協(xié)同過濾算法里面更多是一種基于統(tǒng)計維度的，而隨著算法進(jìn)步我們引入一種新的思想?；谙蛄咳ビ嬎阆嗨贫?。

• FM：Factor Machine-因子分解機(jī)，是在2010年由谷歌推薦系統(tǒng)的大佬Steffen Rendle提出的。核心思想是通過對兩兩特征組合，引入交叉項特征；其次是通過引入隱向量（對參數(shù)矩陣進(jìn)行矩陣分解），降低模型的高維災(zāi)難，完成對特征的參數(shù)估計；
• DSSM：Deep Structured Semantic Models，深度語義匹配模型，微軟于2016年提出，又叫“雙塔模型”。分別構(gòu)建用戶的user embedding和物料的item embedding，所以稱為雙塔。核心思想還是通過Embedding分別去表達(dá)User和Item的特征，然后再計算相似度。

此種策略的優(yōu)缺點(diǎn)：

• 優(yōu)點(diǎn)：特征理解更加深刻，模型效果更優(yōu)。
• 缺點(diǎn)：模型可解釋性差。

上述模型我們會在后續(xù)專門介紹向量召回的篇章中進(jìn)行詳細(xì)介紹。

二、基于規(guī)則的召回

下面重點(diǎn)詳細(xì)為大家介紹基于規(guī)則召回里常見的一些召回思路。

2.1 標(biāo)簽召回

標(biāo)簽召回：推薦算法1.0時代都是基于內(nèi)容的推薦，而基于內(nèi)容的推薦基本上都是通過標(biāo)簽相似度來進(jìn)行推薦。尤其是在電影&音樂網(wǎng)站上。比如你看過標(biāo)簽為“武俠”、“愛情”的電影，系統(tǒng)會基于這個標(biāo)簽給你召回相同標(biāo)簽的物料。

基于標(biāo)簽的召回核心是怎么給內(nèi)容打標(biāo)簽，標(biāo)簽體系如何構(gòu)建，這里面有大量的人工工作和業(yè)務(wù)經(jīng)驗(yàn)。

2.2 Top Sale

熱銷召回：熱銷召回在電商領(lǐng)域比較多，基于商品的銷量召回一些大家都比較喜歡，銷量高的商品。這種召回策略應(yīng)對冷啟用戶特別好用。同時擴(kuò)展到內(nèi)容領(lǐng)域邏輯也是一樣，只是這里的“熱銷”可以換成“熱度”。把銷量的因素?fù)Q成比如觀看次數(shù)等等。

這里拋一個問題比如熱銷召回里“銷量”如何定義？多長時間段的比較合適？如何既考慮長期銷量，又考慮近期爆款？如何去除大促訂單的影響？

2.3 Top CTR

高點(diǎn)擊率商品召回：推薦系統(tǒng)核心還是要不斷提升場景里面的點(diǎn)擊率，所以我們在召回時就需要有專門的路去召回那些歷史物料中點(diǎn)擊率比較高的商品。當(dāng)然這一路需要和其他路進(jìn)行融合，不然會造成非常強(qiáng)的馬太效應(yīng)。這里繼續(xù)拋一個問題：點(diǎn)擊率的統(tǒng)計周期多久的比較合適？

2.4 Top Quality

高質(zhì)量分的物料：此類物料是最適合用于冷啟，在電商領(lǐng)域當(dāng)一個新的用戶訪問系統(tǒng)不知道為他推薦什么商品時，我們可以為他推薦歷史評價、銷量、收藏、點(diǎn)贊等都反響比較好的商品。我們會對商品綜合考慮上述因素計算一個商品的質(zhì)量分，然后為其推薦排名Top K的商品。

2.5 Rebuy

復(fù)購的物料：這一路在生鮮電商里面經(jīng)常用，很多用戶每天買的蔬菜肉類都比較相似，所以推薦系統(tǒng)會專門有一路召回為用戶推薦他歷史購買過的商品。但是復(fù)購這一路召回在綜合性電商里基本不用，比如淘寶&京東？大家可以思考一下為什么？

以上就是為大家整體介紹了推薦系統(tǒng)召回的主流思想，本篇重點(diǎn)介紹基于規(guī)則的召回。下面兩篇分別詳細(xì)介紹基于協(xié)同過濾的召回和基于向量的召回，敬請期待。

本文由 @King James 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于 CC0 協(xié)議