召回是推薦系統的第一階段，主要根據使用者和商品部分特征，從海量的物料庫裡，快速找回一小部分使用者潛在感興趣的物品，然後交給排序環節。這部分需要處理的資料量非常大，速度要求快，所有使用的政策、模型和特征都不能太複雜。
- 推薦候選的生成（系統定位）
- 複制機制的注入（生态建設）
召回中台裡模型化召回是很重要的組成部分。模型化召回可以分為兩部分，包括召回模型的學習與更新，以及線上的Ann檢索服務。在召回模型的學習與更新階段，主要是基于使用者平台行為資訊，針對特定的學習目标，完成基于表征學習的召回模型訓練和更新，該模型能夠産出有效的高層User表征向量和Item表征向量。從學習目标來看，常見的召回模型包括内容語義類、行為偏好類、關系比對類等。
從傳統個性化召回到模型化召回
模型化召回的多目标處理
模型化召回的多樣性
多目标召回的處理流程
物料冷啟動
大規模召回中台的“深度化”展望
圖模型應用