所謂召回，在剛接觸推薦系統的時候可能只看字面意思無法理解召回的意思，召回可以理解為向用戶粗選一批待推薦的商品，相當於
粗排序。之後會加一層CTR預估的rank模型，相當於精排序推薦系統的主要模塊即為：召回 => 排序（精排） => 過濾模塊（對最終展示商品進行過濾，多樣性排序等)
推薦系統是一個很大的話題，涉及到很多模塊，這裡主要是調研了一下推薦召回環節的主流做法。一般有如下幾條線路。
基於Content的推薦
方法：只使用內容信息，而不直接使用用戶行為數據。通過分析內容，推薦與用戶瀏覽歷史相似的內容。因此，如何計算內容之間的相似性是問題的關鍵。一般分成“分詞”，“詞權重分析”，“降維”三個階段，每個階段都有很多可以優化的地方，不同的做法會帶來不一樣的推薦體驗。
優點：（一）不依賴用戶行為數據，因此不存在新內容的冷啟動問題。（二）基於內容的做法很容易在“降維”階段引入用戶行為，從而可以吸收一部分CF的優點。
缺點：（一）需要精細優化的地方會很多，沒有工匠精神，效果比較難出來。（二）最重要的模塊是通過對用戶session實時分析用戶意圖。
應用： 在電商推薦中，如果基於內容計算商品相似度，內容相似度一般定義為（品牌+品類+價格+標題的內容相似度），大規模兩兩之間相似度計算非常困難，工程上實現需要LSH等方法
基於CF的推薦
方法：只使用用戶行為數據，而不管內容信息。通過用戶行為向量，使用item-base和user-base方法推薦相似內容或者相似人群喜歡的內容。
優點：（一）當用戶行為數據豐富的時候，itembase和userbase的協同過濾方法非常通用，很容易出效果。（二）用戶行為關聯可以推薦出偏topic屬性的內容，而不會侷限於關鍵詞，因此相關性效果一般都很好。
缺點 ：新內容的冷啟動問題很嚴重，只能通過EE的方式緩解。
應用：電商中基本是item-based CF，即對於一個用戶，先取出用戶過去的行為session商品（如點擊，加購物車，下單等），根據規則向用戶的召回集中選擇商品，可以配置多個召回源，如相似、相關、偏好店鋪熱銷等。因此重點是離線計算好多種相似度關係（比如商品與商品的相似度、相關度，店鋪下商品的熱門程度、店鋪與店鋪的相似程度等） ，注：商品和商品的相似度，一般通過用戶的瀏覽行為，用頻繁項集（基於共現次數+熱門商品降權方法）來計算，這樣不用引入22之間計算的笛卡爾積，計算效率得到保證。
如果是user-based CF，則首要任務是計算用戶之間的相似度，同樣計算量非常大，但這種方法推薦新穎性較好（網易雲音樂好像適用類似方法）。微信的deepwalk（用戶的相識關係是典型的圖模型），deepwalk通過節點的遊走可以算出每個節點的embedding，進而求節點的相似度。
基於內容和CF的混合推薦
方法 ：不僅使用用戶行為信息，而且還使用內容信息。一般是使用feature-based模型來進行推薦。
優點：（一）理論完備，通過模型的推廣能力來解決新內容的冷啟動問題，而且在小數據集上離線指標往往比CF能取得更好的效果。（二）可以通過提高模型複雜度不斷提高推薦效果。
缺點：工程實現時難度比較大，需要解決用戶和海量內容的打分服務。
閱讀更多 機器學習 的文章
