根据用户行为日志可进行多个召回策略，再根据多个召回策略结果进行融合，根据用户行为日志召回可以是离线计算好的，也可以根据实时上报用户行为进行从新计算，召回策略可以选择1个或多个，只要是根据用户行为召回的数据不进行排序也能直接给用户进行推荐；
融合策略排序有：
1.按顺序融合：比如用户内容相似召回>用户标签召回>协同过滤召回>热门召回；
2.平均加权法：比如分母为召回策略，分子为出现在不同召回策略中的相同内容权重和；
3.指定权重法：根据策略自己指定策略的权重，用户内容相似召回中的内容权重*0.8、用户标签召回中的内容权重*0.6、协同过滤召回中的内容权重*0.4、热门召回中的内容权重*0.3；
4.动态加权法：并集多策略内容再根据前一天的热度/播放量/订购量进行排序；
5.多维度加权法：动态加权法+指定权重法+评价加权法
单个策略排序有：
1.默认法：根据召回内容权重排序
2.动态加权法：根据前一天的热度/播放量/订购量进行排序；
3.指定多维度加却法：给需要加却的维度指定权重值，归一化(热度/播放量/订购量)*权重+召回内容权重*权重+归一化(年代/日期)*权重
调整：
个性化结果计算完存入缓存，在用户下一次请求推荐结果时需要对展示给用户的数据进行上下去重，过掉业务需要被过掉的内容(如:已购买内容)，加上业务需要展示的内容(如:置顶内容)，兜底补足(计算推荐内容不够以冷启动不足)；
