推荐系统召回层策略全解析：从协同过滤到多元召回

推荐系统召回层作为推荐系统的关键环节，承担着从海量物品中快速筛选出与用户潜在兴趣相关物品的重任。其策略丰富多样，每种策略都有独特的原理和应用场景。下面深入剖析各主要召回策略，助力理解推荐系统的核心运作机制。

一、基于协同过滤的召回策略

（一）ItemCF：基于物品的协同过滤

ItemCF 依据物品间的相似度进行推荐，物品相似度的计算基于用户历史行为构建的共现矩阵 。其核心在于，若喜欢物品\(i_1\)和\(i_2\)的用户重叠度高，则认为这两个物品相似 。计算物品相似度常采用余弦相似度，将物品表示为用户 - 物品共现矩阵的列向量，向量元素为用户对物品的兴趣分数 。预估用户对候选物品的兴趣时，通过用户对历史物品的兴趣分数与物品间相似度相乘并累加得到 。

为实现线上实时推荐，ItemCF 需离线维护用户→物品索引（记录用户近期交互物品及兴趣分数）和物品→物品索引（存储每个物品的相似物品及相似度分数） 。线上召回时，先根据用户 ID 从用户→物品索引获取其感兴趣物品，再通过物品→物品索引找到这些物品的相似物品，计算用户对这些相似物品的兴趣分数，去重后返回分数最高的若干物品 。

（二）UserCF：基于用户的协同过滤

UserCF 基于用户间的相似度进行推荐，若用户\(user_1\)和\(user_2\)喜欢的物品重叠度高，则二者相似 。用户相似度同样通过余弦相似度衡量，把用户表示为用户 - 物品共现矩阵的行向量，元素值反映用户对物品的兴趣程度，还可考虑物品热门程度以降低热门物品权重 。预估用户对候选物品的兴趣时，计算用户与其他用户的相似度，结合其他用户对物品的兴趣分数相乘并累加 。

UserCF 也需离线维护两个索引，即用户→用户索引（存储每个用户的相似用户及相似度分数）和用户→物品索引（与 ItemCF 的该索引相同） 。线上召回时，先通过用户→用户索引找到相似用户，再借助用户→物品索引获取相似用户感兴趣的物品，计算用户对这些物品的兴趣分数，去重后返回高分物品 。

二、向量召回通道策略

（一）矩阵补充模型

矩阵补充模型将用户 ID 和物品 ID 映射