召回模型具备处理数据量大、模型够快的特点。因而，这也限定了它不能用太多的特征和太复杂的模型。
▐ 2. 召回模型的三大技术类型
基础个性化召回->深度学习召回->多目标融合召回
2.1. 基础个性化召回
最常用的召回当属item-based CF，这类算法根据item的共现关系计算i2i相似性，非常适合根据用户实时trigger（点击、收藏、加购、购买等行为）进行召回。传统模型还有如swing、userCF等，这类传统模式都是，根据用户产出的数据进行启发式的召回。
2.2. 深度个性化召回
将user、item、video等候选集转化为向量，通过向量检索技术召回Top-k，把原来的“精确匹配”为“模糊查找”，提升召回的宽度，这就是向量化召回。这段就不展开了，其实可以更细化的去分析，毕竟很多在靠说“向量召回”培训的，这里挖个坑，后面开一篇文章专门细说召回。深度算法召回还有基于用户行为序列、基于多兴趣拆分的、基于graph embedding和和基于知识图谱融合的。2.2. 多目标融合召回
在以优化点击率目标的基础上，尝试优化关注加购收藏率、成交率等其他目标。以及将积累的各种召回模型，根据业务实际需求实行多策略召回。在手淘猜你喜欢或者搜索结果页面里有产品页面、短视频、买家秀、直播间等。还有平台的业务，比如各种聚合主题，平台的子频道，栏目。▐ 3. 粗排
召回数量的还是千到万级别的候选集，为了后面的精排环节的性能，在中间加了一个粗排。粗排根据用户和内容的一些相关特征，对召回环节的候选集进行粗略排序，在保证一定的相关性的前提下，再一次减少往后送候选集的数量。
▐ 4. 精排
精排阶段则结合着用户行为特征、商品特征、场景上下文等特征，对产品的点击率 (CTR)、转化率 (CVR) 等排序指标进行建模。然后，系统会按照一定的商业目标 ( 例如 GMV) 综合所有的排序指标并计算出最终的排序分。
▐ 5. 召回和排序哪个更重要？
5.1. 排序在系统中的重要性
在排序环节，特别是精排，处于整个推荐算法链条的最后一环，方便直接对业务指标发力，加之候选集较小，可以使用复杂模型，使用任何能想到的特征参数。我们日常店铺的几乎都是围绕精排环节使用到的特征参数做运营，这个也是能直接“操作”的技术细节。比如我们提高首图点击率、产品销量的权重。都是最直接地影响到精排模型，使得我们获取到一个靠前的排序，从而获取到平台的流量。店铺技术运管成功与否，看我们能不能“影响”排序算法，实现运营目标。这里的影响，打了个引号，可以通过付费推广氪金的方式，引导系统拿到推荐流量、也有通过补单的博取销量，这就属于对抗系统，欺骗算法。5.1. 召回注重策略导向
召回环节客观的来讲，技术含量不是太高，而是注重策略导向。而且召回处于整个推荐链路的前端，其结果经过粗排、精排、重排的筛选，最终作用于业务指标时，影响力已经大大减弱了，但是召回决定了排序效果的上限。所以召回对我们店铺运营的指导更多的是很高一个高度的策略指导，而且这个算法环节的可解释性很高，可以用逻辑解释得很清楚。这种大方向性的策略，淘宝官方又通通给我们很明确的指导，所以紧跟平台运营的脚步，你就胜过90%的人，前提是能跟得上。比如淘宝小二会让商家去重点关注短视频，去引导买家做买家秀，从而生产更多的内容，这不单单是我们商家的运营，也是平台小二的运营手段。推荐算法无数不在，遍布每一个业务的角落，上面提到的短视频，其实也得要单独的推荐算法去分析推荐。所以想要获取到视频的流量，就要增加短视频内容。▐ 总结
排序算法是运营技术细节，而召回更多的是偏向平台策略，但是很难落地到商家的运营策略里。推荐算法也好，搜索算法也好，不同层次的商家，运营的方式肯定都不会一样。小商家偏向于一招鲜，更加灵活注重的是盈利，而腰部头部商家更加注重长效运营。好些时间没码字了，一篇文章选了一个很大的题目，潦草一篇文章无法讲透彻，而且大部分的同学都比较关注技术的细节，关注算法这种看不到摸不着的东西，不感冒！比如打标、卡链接、降PPC等。后面会直接拿更直观的东西出来给大家分享，如果你也喜欢研究技术运营，欢迎一起交流。
