4. 召回策略精讲：多路召回策略、向量召回（Embedding）、图召回（Graph Embedding）
各位同学，欢迎来到召回策略这一讲。说实话，召回是整个推荐系统的第一道关卡，也是我最喜欢跟人聊的部分。为什么？因为这里面的门道太多了，而且每一条路都有它独特的脾气。
我刚开始做推荐那会儿，团队里有个老哥跟我说过一句话，我一直记到现在：「召回做不好，排序再牛也白搭。」你想想看，如果候选集里压根没有用户喜欢的东西，你排序模型再强，也只能在矮子里拔将军。所以，这一章咱们把召回策略彻底吃透。
4.1 多路召回策略：老牌劲旅，依然能打
多路召回，说白了就是「多条腿走路」。每一路召回策略负责一个维度的候选集，最后合并去重，交给排序层。
我个人习惯把多路召回分成三类：
- 基于热度的召回：比如全局热门、分类热门。简单粗暴，但能兜底。
- 基于协同过滤的召回：比如 ItemCF、UserCF。利用用户行为，找到「和你口味相似的人喜欢什么」。
- 基于内容的召回：比如标签匹配、关键词匹配。适合冷启动场景。
核心要点：多路召回的关键不是「路数多」，而是「互补」。每一路都要覆盖不同的用户偏好维度，避免重叠。
我在项目中遇到过一个问题：某一路召回特别强，占了 80% 的候选集，其他几路基本没发挥作用。结果就是用户看到的推荐越来越窄，陷入信息茧房。后来我们给每路召回加了配额限制，强制保证多样性，效果才好转。
避坑指南：我曾经踩过一个坑——多路召回的分数归一化没做好。不同路的分数量级不一样，直接合并会导致某一路主导。建议用分位数归一化或者 rank 归一化，把分数映射到 [0,1] 区间。
4.2 向量召回（Embedding）：从离散到连续
向量召回，是这几年最火的方向。它把用户和物品都映射到一个低维向量空间，然后用向量相似度来召回。
为什么会这么火？因为传统的多路召回，每一路都是「硬匹配」——要么匹配上，要么匹配不上。但向量召回是「软匹配」，可以找到语义上相似但标签不完全匹配的物品。
举个例子：用户看了《流浪地球》，传统召回可能只推荐科幻片。但向量召回能发现《星际穿越》《火星救援》这些「硬科幻」电影，甚至能关联到《地心引力》这种太空题材。这就是 Embedding 的魅力。
常用的向量召回模型有：
| 模型 | 核心思想 | 适用场景 |
|---|---|---|
| Word2Vec | 利用序列共现关系学习向量 | 行为序列、文本 |
| Item2Vec | 把物品当词，用户行为序列当句子 | 物品推荐 |
| DSSM | 双塔结构，分别编码用户和物品 | 大规模召回 |
| YouTube DNN | 经典工业级召回模型 | 视频推荐 |
嗯，这里要注意：向量召回虽然强大，但也不是万能的。它最大的问题是「冷启动」——新物品没有行为数据，向量学不好。所以我在实际项目中，通常把向量召回和多路召回结合起来用。
注意事项：向量召回的计算量很大。如果物品数量上亿，全量计算相似度是不现实的。一定要用近似最近邻搜索（ANN），比如 Faiss、HNSW。我见过有人直接暴力计算，结果线上延迟飙到 500ms，直接被老板叫去喝茶。
4.3 图召回（Graph Embedding）：挖掘关系网络
图召回，是向量召回的进阶版。它不光看用户和物品的直接交互，还看它们之间的「关系网络」。
你想想看，用户 A 买了商品 X，用户 B 也买了商品 X，同时用户 B 还买了商品 Y。传统的协同过滤只能发现「A 和 B 相似」，但图召回能发现「A 可能也喜欢 Y」——因为 A 和 B 通过 X 建立了连接，而 B 和 Y 也有连接。
这就是图召回的核心：利用图结构，让信息沿着边传播。
常用的图召回方法：
- DeepWalk：在图上随机游走，生成节点序列，然后用 Word2Vec 学向量。简单有效。
- Node2Vec：在 DeepWalk 基础上，引入了 BFS 和 DFS 的平衡参数，可以控制游走是偏向「广度探索」还是「深度探索」。
- GCN / GAT：图神经网络，直接聚合邻居节点的信息。效果更好，但训练成本也更高。
个人经验：我在做电商推荐时，用 Node2Vec 构建了「用户-商品」二部图。效果比纯 Item2Vec 提升了 12% 的召回率。原因很简单——图结构能捕捉到「间接关联」，比如「看了又看」「买了又买」这类行为模式。
不过，图召回也有坑。我曾经遇到过一个情况：图太大，随机游走的路径太长，导致向量质量下降。后来我们把游走长度控制在 5-10 步，效果反而更好。嗯，有时候「少即是多」。
4.4 三种策略如何选？
很多同学会问：这三种策略到底怎么选？我的建议是：
- 业务初期：多路召回就够了。简单、可控、好解释。
- 业务中期：加入向量召回。提升语义匹配能力，突破多路召回的瓶颈。
- 业务成熟期：引入图召回。挖掘深层关系，进一步提升召回质量。
但说实话，工业界最常用的做法是「三管齐下」。多路召回兜底，向量召回提效，图召回挖深。最后合并去重，交给排序层。
小技巧：我习惯在合并召回结果时，给不同路分配不同的权重。比如向量召回权重 0.5，多路召回权重 0.3，图召回权重 0.2。这个权重可以通过线上 A/B 实验来调优。
好了，这一讲的内容就到这里。下一讲我们会深入排序策略，看看怎么从候选集中选出最合适的物品。到时候见。