arXiv 2025 | Retrieval Survey：推荐系统召回阶段的方法分类与工业落地全解析-优快云博客

论文信息 标题：A Comprehensive Survey on Retrieval Methods in Recommender Systems 作者：Junjie Huang, Jizheng Chen, Jianghao Lin, Jiarui Qin, Ziming Feng, Weinan Zhang, Yong Yu（上海交通大学、招商银行信用卡中心）

版本：arXiv:2407.21022v2，2025 年 10 月 11 日更新，以 ACM 期刊排版格式撰写。

定位：这是第一篇专门综述推荐系统召回阶段的工作，收录 100 余篇相关论文，检索区间为 2001—2024 年，来源包括 KDD、ICDM、WWW、SIGIR、ICML、NIPS、AAAI、WSDM、CIKM、RecSys、TKDE、TOIS。

工业推荐系统是一条流水线，而多数论文与教程把笔墨给了排序。这篇综述反其道而行：它只讲召回，并且把"算得准"与"跑得起"两件事分开来讲。本文按论文的框架梳理其脉络，并标出对写论文、做系统最实用的几处结论。

I 召回为什么不是一个"小一点的排序"

图 1｜原文 Figure 1（第 2 页）：左为多阶段级联漏斗，右为真实系统中的两阶段架构与多通道召回

论文开篇列了召回与排序的四点结构性差异（§1）：候选集规模——召回要扫完整个百万级物品池，排序只需处理召回吐出的数百到数千条；输入特征——召回受时间预算约束，只能用粗粒度特征，交叉特征不现实；模型结构——召回多为双塔（late interaction），排序多为单塔（early interaction）；优化目标——召回追求"把相关的都捞进来"，排序追求"把最重要的排到最前面"。这四点决定了两个阶段的评价口径与失败代价完全不同。图 1 左侧还标了各阶段的输出量级（>10⁶ → 10²~10⁴ → 10¹~10³），作者提醒这个区间随平台而变，不能当通用常数引用。

§2.5 又把召回与搜索里的多阶段检索做了对照：原理相同（逐级收窄、逐级变贵），差别有三——搜索对所有人返回同一份结果、索引固定，推荐须逐用户定制并随新物品与新交互持续更新；搜索索引可定期重建，推荐往往要求近实时入库；搜索早期用词项统计（如 BM25），推荐召回用的是把用户历史、内容属性与上下文揉在一起的向量表示。

图 2｜原文 Figure 2（第 4 页）：(a) 召回方向论文累计数量，(b) 按会议与期刊统计的分布

II 任务边界

论文 §2.2 先做了一次干净的二分：非个性化检索（热门、新品、长尾、运营位）与个性化检索（U2I、U2I2I 即常说的 I2I、U2U2I）。前者不看"你是谁"，依据是"群体的智慧"，在冷启动与交互数据不足时尤其有用；推新品则为了保持生态新鲜度、鼓励探索。后者对齐个体兴趣，是综述的主体。

图 4｜原文 Figure 4（第 8 页）：(a) 非个性化检索、(b) 个性化检索的三条路径、(c) 用户—物品评分矩阵、(d) 侧信息

§2.4 指出工业系统普遍采用多通道检索：若干种独立方法各取 Top-K，再聚合成候选池。各通道取多少条通常由离线评测与线上 A/B 实验共同定配额，动机是最大化兴趣覆盖、提升召回率。

§2.3 讨论输入。除用户—物品交互矩阵（稀疏，未交互格子常被当作负样本）外，侧信息分为用户画像、物品属性、上下文三类，作者又补了近年兴起的 UGC（标签、评论）。这一节给出了量化证据：

侧信息增益	指标变化	数据集
融合标签信息 vs 纯协同过滤	Recall@10 0.32 → 0.34	Last.fm
SocialMF 引入社交信任传播	RMSE 1.175 → 1.075	Epinions
同上，换数据集	RMSE 0.878 → 0.821	Flixster
静态 SVD++ 加入时间动态	RMSE 0.913 → 0.897	Netflix

III 方法版图

图 3｜原文 Figure 3（第 5 页）：方法分类环图，内圈为三大板块，外圈标注代表工作与年份

论文的骨架在 §1.1：召回被拆成相似度学习、索引机制、优化方法三大块（图 3）。主体（§3—§4）是一条"如何算相似"的主干，分浅层与深层；§5 索引、§6 训练与负样本、§7 评测、§8—§9 实验与工业实践，则决定这套相似度算法能不能真正上线。

浅层（§3）：邻域协同过滤（UserKNN / ItemKNN 及扩展）与矩阵分解（MF、SVD++ 一类隐向量路线）。深层（§4）分六类：双塔、自编码器、图嵌入、图神经网络、MLP 型协同过滤、多兴趣。双塔是工业主流，因为它把计算拆成了"可离线预计算的物品塔 + 在线一次用户向量与一次索引查询"；代价是两塔顶端才相遇，拿不到早期交叉特征。多兴趣（MIND、ComiRec、REMI 等）则针对"一个用户向量装不下多种兴趣"。

图 5｜原文 Figure 5（第 13 页）：六类深层相似度学习的网络结构对照

§5 单独讲索引：全库暴力计算是精度天花板；近似最近邻（ANN）用一点精度换量级，论文点名工业界常用的 Faiss、Milvus、ScaNN 及其中的 HNSW、IVFPQ 索引，并提醒这类索引构建要跑聚类等耗时流程；树形索引（如 TDM）把物品层次化展开，预测计算量只与物品池规模成对数关系，还能在模型内部让用户与候选物品交互，表达力更强——代价是与工程系统耦合更紧。

§6 讲训练。隐式反馈下没有可靠负样本，作者把做法分成两类：负采样（细分静态、困难、对抗、图结构四种）与全数据策略（把未观测项全当负样本但给更低权重，并按物品热度调整）。目标函数一节列了采样 softmax、NCE 与成对 margin hinge 损失。§7 汇总评价口径：离线是 Recall@K、Precision@K、F1@K、Hit Rate、AP/MAP 一族，线上 A/B 是 CTR、CVR、RPM、GMV，两组指标不同源。

IV 实验结论

§8 用 RecBole 的官方最优超参，在 MovieLens-1M、Amazon-Book、Yelp2018 上横向比较了 11 种方法（另设随机与热门基线）。后两个数据集做了 10-core 过滤；每个用户的交互按 8:2 划分训练与测试，训练集内再抽 10% 作验证；指标取 HitRate@K 与 Recall@K，MovieLens-1M 用 K=50，另两个用 K=100。结果值得反复读：

数据集	最优方法	方法类别
MovieLens-1M	RecVAE	自编码器
Amazon-Book	ItemKNN	传统邻域 CF
Yelp2018	SGL	图自监督

在电影评分上夺冠的是自编码器，在图书上夺冠的是最朴素的 ItemKNN。作者的结论是"没有任何一类模型在所有数据集上稳定占优，召回方向仍然开放"。对投稿人而言，这句话既是鼓励，也是要求：只报一个数据集的结果说服力有限。

V 工业实践

§8.4 汇总了各家论文自报的线上收益（节选）：

方法	对比基线	线上提升
Swing	物品协同过滤	CTR +9.3%，CVR +17.6%，PPM +20.3%
EGES（淘宝）	此前物品 CF 方案	CTR +1.30%
PinSage（Pinterest）	此前线上方法	Repin Rate +10%~30%
TDM（淘宝）	此前线上方法	CTR +2.1%，RPM +6.4%

（表中基线均为各论文自述的"此前所用方法"，指标口径互不相同，只能横向感受量级。）

§9 的案例最有参考价值：招商银行信用卡"掌上生活"App，数百万日活、每天数十亿条隐式反馈日志，召回层同时跑七路——3 路近线 I2I（Word2Vec、Node2Vec、DSSM）、1 路离线 U2I（Node2Vec）、3 路统计规则（Popular、User Tag-Based Popular、New and Niche Item）。

图 6｜原文 Figure 6（第 27 页）：掌上生活 App 召回管线的在线与离线两部分

图 6 把管线拆成 Online 与 Offline 两半：在线是请求—多通道检索—排序—反馈的闭环，离线做数据处理、负采样、表示训练与近线索引更新再推回线上。这种"在线轻、离线重、近线补"的分工，比任何口号都更能说明召回是个系统工程。

图 7｜原文 Figure 7（第 29 页）：(a) 各召回通道的占比，(b) 各通道的点击率

两个细节值得注意。其一，Popular 单通道占比 40.2%，热门类补充层合计约五成——用户中不活跃者众，模型召回凑不满配额时需要兜底；而图 7(b) 各通道的点击率高低与占比大小并不一致，说明配额并非按效果线性分配。其二，融合手段在作者看来仍很粗糙：调各通道配额、行业常用的 snake-merge 交替取数都属"原始方法"，更好的多通道融合是明确待解的问题。

§9.3 的经验里最值得记住三条：负样本的构造方式与采样比例要像超参一样专门调；召回不直接对 CTR/CVR 负责，离线与线上指标会背离，最终要靠线上实验定夺；多通道并行是提升召回覆盖率的根本手段。