标准回答
召回的定位：从海量物品（亿级）中快速筛出几百到几千个候选给精排，要求高召回、低延迟，单路策略很难同时覆盖兴趣的多个侧面，因此工业界普遍用多路召回。
常见召回路：
- 协同过滤 / ItemCF：基于共现相似。
- 向量召回（双塔 + ANN）：语义/行为相似。
- 热门召回：高热度物品，保底与新用户冷启。
- 规则 / 运营召回：地域、时效、运营干预、强插。
- 标签 / 类目召回：按用户兴趣标签或偏好类目取物品。
融合：各路并行召回后统一合并、去重，按各路配额（截断 Top-N）控制比例，再交给精排统一打分排序。融合时常做轻量调权或质量过滤，但精细排序由后续精排负责。
价值：不同路捕捉不同信号，互补提升覆盖率与多样性，避免单一模型的系统性偏置。
常见误区
⚠️ 常见踩坑
多路召回的目标是高召回与多样性，不是精确排序；不要在召回阶段做复杂精排式打分，融合时各路分数量纲不同，简单相加比较会失真，应按配额或归一化后融合。
追问
追问 1：为什么不直接用一路向量召回全覆盖？
单路向量召回受限于其训练目标与样本偏置，对长尾、新内容、强时效或运营需求覆盖不足，且易陷入信息茧房。多路从不同信号补充，整体召回率与多样性更高、更鲁棒。
追问 2：多路召回的配额如何确定？
通常按各路的线上贡献（带来的曝光/转化）和多样性需求分配截断数量，并通过 A/B 实验调整；新增召回路常用「保量探索」给一定配额观察增量收益。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。