資料是一切的開始，而召回決定整個推薦系統的上限，如果一開始就召回錯了的話，整個系統的推薦效果将會很差。
常見的召回政策有以下三種：
一、規則召回
最常用的召回政策，解釋性最強。
優點：政策邏輯清晰明了，業務意義明确，可解釋性極強
缺點：個性化弱，千人一面，易引起馬太效應，頭部曝光越來越多。
适用場景：最開始搭建推薦系統時
标簽召回
使用方式：最早應用于音樂與電影網站，同時對内容和使用者打标，計算兩者的标簽重合度。
核心問題：如何建構科學全面的标簽體系、如何為使用者和内容打标，主流打标方式仍為人工打标。
高品質分召回&類目召回
使用方式：電商推薦和内容推薦場景，适合用于新人冷啟動。
舉例：電商領域通過曆史銷量、好評率、收藏數等綜合評估物料的品質分；内容通過浏覽量、互動數來綜合評估。
注：為品質因子配備超參數，超參數決定該部分在整個公式的重要度，為人工設定，參數為模型訓練得到。
品質因子歸一化：Min-Max歸一化公式進行，對于電商不同類目需要分類目進行歸一化，防止極大差異影響。
熱銷召回
使用方式：召回近期熱門的物料，适合用于新使用者召回政策，“熱門”由業務進行自行定義，需要設計統計周期（長、中、短）為x、y、z。
高點選率召回
使用方式：召回“CTR預估模型”這一核心名額
複購召回
使用方式：生鮮電商領域經常使用
實作方式：基于使用者次元統一其購買的商品，使用Min-Max歸一化方式，在綜合電商領域一般，大宗商品會讓使用者印象差
二、協同過濾
推薦系統最經典的算法，包括基于物料（Item-CF，1998）的算法和基于使用者（User-CF，1992）的算法，即“協同+過濾”，利用群體資料去尋找規律，測定物料間、使用者間的相似性，排除相似度低的物料與使用者，後再進行排序。
核心問題：如何計算物料與物料之間、使用者與使用者之間的相似度
優點：算法邏輯較簡單，容易實作，同時又有不錯的效果，具備一定的個性化
缺點：與規則召回缺點方向一緻，冷啟動問題明顯，存在一定的馬太效應，頭部熱門問題容易與其他商品産生關聯
1.挖掘與目标使用者相似的使用者集合，取相似度排在前幾位的使用者作為候選集。
Jaccard系數：Wab = 0.4； Wac = 0.25； Wad = 0.2； Wae = 0.75，B、E最高
2.挖掘該集合中受歡迎的物料，從中為目标使用者推薦他沒有接觸過的物料。
B、E浏覽的商品中，A為浏覽過d、e，估算其興趣度
P（A，d） = 0.4*1+0.75*0 = 0.4；P（A，e） = 0.4*1+0.75*1=1.15，故而A對e商品的興趣度高選擇e商品為使用者推薦
基于物料的協同過濾（Item算法）：目前在各大網際網路公司應用十分廣泛，用餘弦相似度計算。
舉例如下，6個使用者和5個商品。
計算商品間的相似度：餘弦定理計算商品間的相似度
基于目标使用者曆史浏覽行為和商品間的相似度，為其推薦感興趣且未浏覽過的商品
本文隻有5個商品，目标A浏覽過a、b、c。沒有浏覽過d、e，是以預估P（A，d）、P（A，e）。
P（A，d） = 0.5*1+0*1+0.67*1=1.17
P（A，e） = 0.5*1+0.35*1+0.89*1=1.74
是以優先為使用者A推薦商品e。
UserCF算法與ItemCF算法的異同點 總結
基于圖模型的方法（graph-based model）
主要分為兩大步：
1）将資料表格轉化為二分圖
2）基于兩個頂點的路徑數、路徑長度及經過的節點出度判斷相關性。
例：“A——a——B——c”，路徑長度為3，A到c隻有一條路徑，而A到e有兩條，A與e關聯性強于A與c。
A到e的兩條路徑哪個相關性更強，比較出度（該頂點對外連接配接了幾個其他的頂點），出度越大，相關性越弱。
三、基于向量的召回
1. 隐語義模型
最經典的應用就是隐語義模型，或者稱為隐向量模型。
在現實中，使用者與物料間的矩陣是非常稀疏的，很難進行預估，而隐語義模型的思想是挖掘使用者和物料間的特征屬性，将使用者和物料歸到相同的特征次元，一般為四象限次元，然後再進行比較。
核心：将一個共現矩陣（使用者和物料的互動矩陣）分解成兩個小矩陣（使用者矩陣和物料矩陣），兩個矩陣在相同的向量次元上。
矩陣的常見分解方法有三種：
方法一：特征值分解
隻能作用于NxN矩陣，大多數使用者x物料矩陣并非方矩陣，不具有适用性。
方法二：奇異值分解
适用于所有MxN矩陣，但是對于矩陣的稠密度要求高，應用時必須把缺失值用近似值、平均值補全，計算複雜、資源要求高。
方法三：梯度下降法
Funk SVD，又稱LFM，将預測值與實際評分值比較，損失函數為均方差，利用梯度下降進行疊代，直到模型收斂。
隐語義模型優缺點：
1）泛化能力強。一定程度上緩解矩陣稀疏問題
2）計算複雜度低。計算複雜度為（m+n）*k，而協同矩陣為m*m或者n*n
3）更好的靈活性和擴充性。可以與其他特征組合或拼接，也可以和深度學習神經網路哦結合
僅考慮使用者和物料各自的特征，不友善加入使用者、物料、上下文特征以及其他一些互動特征，模型本身具有一定局限性。
2. 雙塔模型
優點：