2019.6.25补充：学推荐策略建议读《推荐系统实践》（项亮，人民邮电出版社），这本书可以解答有关推荐策略的大部分困惑，本篇内容只是初学时很浅显的一篇读书笔记~
推荐策略的两个关键问题分别是“召回”和“排序”。“召回（match）”指从全量信息集合中触发尽可能多正确的结果，并将结果返回给“排序”，它可能包含来源于渠道，比如协同过滤、主题模型、内容召回和热点召回等渠道，能够从内容库中选出多样性的偏好内容。而“排序（rank）“则是指对多个召回渠道的内容进行统一打分排序，选出最优的少量结果。
下面来重点说说“召回（match）”。
1
“召回”指从全量信息集合中触发尽可能多正确的结果。在搜索系统中，用户对这个“正确的结果”有预期，比如搜索“北京大学”时想看到的就是北大相关的网站、新闻等。但在推荐系统中，用户并没有一个明确的检索词（Query）输入，用户自身的需求就不太明确，推荐系统需要做的，就是根据用户画像、内容画像等各种信息为用户推荐他可能感兴趣的内容，达到延长用户停留时间的作用。另外，由于没有明确的Query，推荐系统中的召回面对的是全量信息池，需要从整个信息集合中挑选出尽可能多的相关结果，剔除相关性较弱的结果，降低排序阶段的工作量。
2
怎样的召回策略是好的？我们主要看两个评价指标，即召回率和准确率。
- 召回率（Recall）=系统检索到的相关内容 / 系统所有相关的内容总数
- 准确率（Precision）=系统检索到的相关内容 / 系统所有检索到的内容总数
以搜索为例，当用户搜索“北京大学”时，想看到的是北大相关的网站、新闻等，而系统返回了以下三个网页：
a. 北京大学保安考上研究生
b. 北京互联网工作招聘
c. 大学生活是什么样的
可以看到，只有a是用户真正想看到的，其他两个和用户搜索词无关，而事实上数据库里还有这种网页：
d. 北大开学季
e. 未名湖的景色
d、e这两个网页没被搜索到，但它们和“北京大学”的相关度其实是超过b、c的，也就是应该被搜索（被召回）到但实际并没有显示在结果里的，所以，这个系统的：
l 召回率 = a / (a + d + e)=0.33
l 准确率 = a /(a + b + c)=0.33
这是搜索情境下的召回率和准确率，而“推荐”其实就是没有检索词输入时的搜索，例如，用户并没有输入“北京大学”这样的关键词，但其实他是北京大学的学生，对自己学校相关的新闻很感兴趣，推荐系统的召回就是要根据用户画像、内容画像等各种信息，为用户提供他感兴趣的相关内容，所以也存在召回率和准确率的问题。召回率和准确率有时存在相互制衡的情况，好的召回策略应该在保证高准确率的情况下也保证高召回率。
3
召回策略有很多种，其中比较重要的有两种：基于内容匹配的召回和基于协同过滤的召回。
· 基于内容匹配的召回
内容匹配即将用户画像与内容画像进行匹配，又分为基于内容标签的匹配和基于知识的匹配。例如，A用户的用户画像中有一条标签是“杨幂的粉丝”，那么在他看了《绣春刀2》这部杨幂主演的电影后，可以为他推荐杨幂主演的其他电影或电视剧，这就是“基于内容标签的匹配”；而“基于知识的匹配”则更进一步，需要系统存储一条“知识”——《绣春刀2》是《绣春刀1》的续集，这样就可以为看过《绣春刀2》的用户推荐《绣春刀1》。
基于内容匹配的召回率较高，但准确率较低，比较适用于冷启动的语义环境。
· 基于协同过滤的召回
如果仅使用上述较简单的召回策略，推荐内容会较为单一，目前业界最常用的基于协同过滤的召回，它又分为基于用户、基于项目和基于模型的协同过滤。
其中，基于用户（User-based）的协同推荐是最基础的，即发现与用户相似的其他用户，用用户的浏览记录做相互推荐。例如，通过浏览记录发现用户一与用户二的偏好类似，就将用户一点击的内容推送给用户二。
基于项目（Item-based）的协同过滤中的“项目”可以视场景定为信息流产品中的“内容”或者电商平台中的“商品”，其计算项目之间的相似性，再根据用户的历史偏好信息将类似的物品推荐给该用户。
基于模型的协同过滤推荐（Model-based）就是基于样本的用户喜好信息，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测推荐。
总体来说，基于协同过滤的召回即建立用户和内容间的行为矩阵，依据“相似性”进行分发。这种方式准确率较高，但存在一定程度的冷启动问题。
在实际运用中，采用单一召回策略的推荐结果实际会非常粗糙，通用的解决方法是将规则打散，将上述几种召回方式中提炼到的各种细小特征赋予权重，分别打分，并计算总分值，预测CTR。例如，根据内容匹配召回策略，用户A和内容甲的标签匹配度为0.6，同时，根据协同过滤召回策略，应该将内容甲推荐给用户A的可能性为0.7，那么就为0.6和0.7这两个数值分别赋予权重（这个权重可能会根据算法的具体情况来确定），得出总分，用它来预测用户可能点击的概率，从而决定是否返回该结果。
参考文献：
1. 闫泽华，《内容算法》，中信出版集团.
2. IBM官网资料探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探
