0.召回方法

词召回

swing、itemCF

缺点：

• 有冷启动问题
• 不是全局召回，冷门活动难以得到召回结果
• 容易召回过多的头部热门活动

向量召回

参考文献：

经典推荐算法学习（七）| Graph Embedding技术学习 | 从DeepWalk到Node2vec、EGES | 附DeepWalk PySpark实现 - 知乎

经典推荐算法学习（十三）| 常见推荐召回算法梳理 - 知乎

• FM
• Item2vec
• Youtube向量召回
• Graph Embedding-EGES
• Airbnb向量召回
• 双塔召回

问题

1.如何评价召回测

（1）recall、precison、F1

（2）NS-recall、NS-precision、NS-F1:

（3）覆盖率：简单理解，覆盖率就是荐系统能够推荐出来的物品占总物品的比例。由于热门物品占据大量曝光，可能会让很多物品处于不被曝光的状态，这个就是长尾效应。覆盖率是对针对解决长尾效应的一个常用指标。

2.如何摸底召回的上限？

推荐系统中的召回模块决定着推荐效果的上限，那么怎么评价召回模块做好了呢？ - 知乎

实际是问召回的评估方法，也可以用下列方法

（1）竟对评估，利用结果倒推召回测问题

（2）随机人工标注数据，从各大平台找到理想结果，然后，回退到召回阶段进行分析

3.召回后续TODO

参考文献：从二值检索到层次竞买图——让搜索广告关键词召回焕然新生

（1）多场景数据融合，比如将搜索和推荐数据进行融合

（2）由于深度学习有可解释性和结果可控性问题，召回通路需要以不同目标进行召回。不同目标的召回通道间，配额需要结合流量价值、用户意图倾向、系统算力等多方面因素进行动态分配，是一个结合更多下游策略来考虑的问题。

（3）我们欢欣鼓舞在各召回通道上迭代模型涨了离线Recall/Hitrate，往往因为指标辛普森悖论、通道间重叠、下游打分偏差等原因，无法为大盘带来明显的竞价集合与效果变化。因此未来关键词召回业务的着力点，将聚焦在全链路排序的目标一致性上。将搜索广告系统看作一个计算图，召回阶段作为最上游的“召回Op”，需要捕捉更多下游“预估Op”、“机制Op”反向传播的“梯度”来动态修正召回阶段的检索能力；扩展更多维度的算法评价指标，为下游供给多样性充分、广告主竞争相对平等的广告集合，为直通车业务的高质量发展添砖加瓦。

（4）召回阶段拟合精排阶段的顺序