CodeWalk

推荐系统召回阶段方法对比

作者：我是大山 · 2026-05-30 12:55

比较推荐系统中召回阶段的主要方法：协同过滤、向量化召回和图的召回。

回答

我是大山

召回(Recall) 是从海量物品中快速筛选出候选集（通常百到千级），要求快且广。

1. 协同过滤召回：

  • UserCF：找相似用户喜欢的物品
  • ItemCF：推荐与用户历史交互相似物品
  • 优点：简单可解释；缺点：冷启动

2. 向量化召回(Embedding-based)：

  • 双塔模型(Two-Tower)：用户塔和物品塔分别编码，内积计算相似度
  • DSSM/Youtube DNN：经典实现
  • ANN检索：Faiss/HNSW近似最近邻搜索，ms级响应百万级库
  • 优点：可融合任意特征；缺点：双塔表征能力有限

3. 图召回(Graph-based)：

  • PersonalRank/Node2Vec：图上随机游走
  • EGES (Ali)：Graph Embedding with Side Information
  • PinSage (Pinterest)：GCN在大规模图上的工业实践
  • 优点：捕获高阶关系；缺点：在线服务复杂

工业实践：通常多路召回并行（协同+向量+热度+语义+社交），融合后输入排序阶段。

评估：召回率@K、命中率(Hit Rate)等。