数据是一切的开始，而召回决定整个推荐系统的上限，如果一开始就召回错了的话，整个系统的推荐效果将会很差。
常见的召回策略有以下三种：
一、规则召回
最常用的召回策略，解释性最强。
优点：策略逻辑清晰明了，业务意义明确，可解释性极强
缺点：个性化弱，千人一面，易引起马太效应，头部曝光越来越多。
适用场景：最开始搭建推荐系统时
标签召回
使用方式：最早应用于音乐与电影网站，同时对内容和用户打标，计算两者的标签重合度。
核心问题：如何构建科学全面的标签体系、如何为用户和内容打标，主流打标方式仍为人工打标。
高质量分召回&类目召回
使用方式：电商推荐和内容推荐场景，适合用于新人冷启动。
举例：电商领域通过历史销量、好评率、收藏数等综合评估物料的质量分；内容通过浏览量、互动数来综合评估。
注：为质量因子配备超参数，超参数决定该部分在整个公式的重要度，为人工设定，参数为模型训练得到。
质量因子归一化：Min-Max归一化公式进行，对于电商不同类目需要分类目进行归一化，防止极大差异影响。
热销召回
使用方式：召回近期热门的物料，适合用于新用户召回策略，“热门”由业务进行自行定义，需要设计统计周期（长、中、短）为x、y、z。
高点击率召回
使用方式：召回“CTR预估模型”这一核心指标
复购召回
使用方式：生鲜电商领域经常使用
实现方式：基于用户维度统一其购买的商品，使用Min-Max归一化方式，在综合电商领域一般，大宗商品会让用户印象差
二、协同过滤
推荐系统最经典的算法，包括基于物料（Item-CF，1998）的算法和基于用户（User-CF，1992）的算法，即“协同+过滤”，利用群体数据去寻找规律，测定物料间、用户间的相似性，排除相似度低的物料与用户，后再进行排序。
核心问题：如何计算物料与物料之间、用户与用户之间的相似度
优点：算法逻辑较简单，容易实现，同时又有不错的效果，具备一定的个性化
缺点：与规则召回缺点方向一致，冷启动问题明显，存在一定的马太效应，头部热门问题容易与其他商品产生关联
1.挖掘与目标用户相似的用户集合，取相似度排在前几位的用户作为候选集。
Jaccard系数：Wab = 0.4； Wac = 0.25； Wad = 0.2； Wae = 0.75，B、E最高
2.挖掘该集合中受欢迎的物料，从中为目标用户推荐他没有接触过的物料。
B、E浏览的商品中，A为浏览过d、e，估算其兴趣度
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对e商品的兴趣度高选择e商品为用户推荐
基于物料的协同过滤（Item算法）：目前在各大互联网公司应用十分广泛，用余弦相似度计算。
举例如下，6个用户和5个商品。
计算商品间的相似度：余弦定理计算商品间的相似度
基于目标用户历史浏览行为和商品间的相似度，为其推荐感兴趣且未浏览过的商品
本文只有5个商品，目标A浏览过a、b、c。没有浏览过d、e，所以预估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
所以优先为用户A推荐商品e。
UserCF算法与ItemCF算法的异同点 总结
基于图模型的方法（graph-based model）
主要分为两大步：
1）将数据表格转化为二分图
2）基于两个顶点的路径数、路径长度及经过的节点出度判断相关性。
例：“A——a——B——c”，路径长度为3，A到c只有一条路径，而A到e有两条，A与e关联性强于A与c。
A到e的两条路径哪个相关性更强，比较出度（该顶点对外连接了几个其他的顶点），出度越大，相关性越弱。
三、基于向量的召回
1. 隐语义模型
最经典的应用就是隐语义模型，或者称为隐向量模型。
在现实中，用户与物料间的矩阵是非常稀疏的，很难进行预估，而隐语义模型的思想是挖掘用户和物料间的特征属性，将用户和物料归到相同的特征维度，一般为四象限维度，然后再进行比较。
核心：将一个共现矩阵（用户和物料的交互矩阵）分解成两个小矩阵（用户矩阵和物料矩阵），两个矩阵在相同的向量维度上。
矩阵的常见分解方法有三种：
方法一：特征值分解
只能作用于NxN矩阵，大多数用户x物料矩阵并非方矩阵，不具有适用性。
方法二：奇异值分解
适用于所有MxN矩阵，但是对于矩阵的稠密度要求高，应用时必须把缺失值用近似值、平均值补全，计算复杂、资源要求高。
方法三：梯度下降法
Funk SVD，又称LFM，将预测值与实际评分值比较，损失函数为均方差，利用梯度下降进行迭代，直到模型收敛。
隐语义模型优缺点：
1）泛化能力强。一定程度上缓解矩阵稀疏问题
2）计算复杂度低。计算复杂度为（m+n）*k，而协同矩阵为m*m或者n*n
3）更好的灵活性和扩展性。可以与其他特征组合或拼接，也可以和深度学习神经网路哦结合
仅考虑用户和物料各自的特征，不方便加入用户、物料、上下文特征以及其他一些交互特征，模型本身具有一定局限性。
2. 双塔模型
优点：