2. 快速候选召回¶

召回是推荐漏斗的第一个环节，需要在有限延迟内从海量候选中筛选出千级规模的初选集合，为后续排序提供高质量输入。本章沿着技术演进的脉络，分五节展开：协同过滤（2.1节）从用户-物品交互矩阵出发建立相似性，并通过矩阵分解引入向量化表示；I2I召回（2.2节）将序列建模思想从NLP迁移到推荐场景，学习物品间的相似性向量；双塔模型（2.3节）将用户和物品分别编码为向量，实现高效的U2I匹配；序列召回（2.4节）利用行为的时间顺序捕捉用户兴趣的多样性和动态变化；流式索引召回（2.5节）从结构层面突破压缩机制和静态索引的局限。

• 2.1. 协同过滤 2.1.1. ItemCF：基于物品相似度的协同过滤

• 2.1.2. Swing：面向工业场景的相似度优化

• 2.1.3. UserCF：基于用户相似度的协同过滤

• 2.1.4. 矩阵分解：从相似度计算到向量表示学习

• 2.2. I2I召回 2.2.1. Word2Vec：序列建模的理论基础

• 2.2.2. Item2Vec：最直接的迁移

• 2.2.3. EGES：用属性信息增强序列

• 2.2.4. Airbnb：将业务目标融入序列

• 2.3. 双塔模型 2.3.1. FM（因子分解机）：双塔模型的雏形

• 2.3.2. DSSM：深度结构化语义模型

• 2.3.3. YouTubeDNN：从匹配到预测用户下一行为

• 2.4. 序列召回 2.4.1. MIND：用多个向量捕捉用户的多元兴趣

• 2.4.2. SDM：融合长短期兴趣，捕捉动态变化

• 2.5. 流式索引召回 2.5.1. 聚类统计的全量兴趣召回

• 2.5.2. 实时更新的流式索引

• 2.6. 本章总结

  code复制

        Previous
        1. 推荐系统是什么？
     
  
  
     
    
        Next
        2.1. 协同过滤