假设三个召回, A，B，C
如果初期认可的程度是重要性也是A>B>C，那么按照：3:1:1进行召回，考虑有一些可能会没有召回
a)如果上一个召回没有，由下一个召回补充，比如： A没有数据，那么B补充，B没有数据，由C补充，C没有，直接由A女性补充
b)如果A，B是主召回，C是候选召回，那么如果A和B的召回不够的情况下，由C召回
推荐到首页的情况下，要将当前从那个召回推荐出来记录下来，如果一个记录由二个源推出来，也都要记录，然后评估每个召回的点击率
如果推出的为3:1:1的比率，如果总计推出20条(12:4:4)，点击数为：4,2,1，那么点击率为：1/3,0.5,0.25，按照点击率的配比来说，排序比率为： B A C，优化召回的情况下需要提高B召回比率，但是实际上并不是所有的从B推出的点击的概率都比A高，所以考虑多样性，只是通过改变比率调整，一般不会将另外的召回降低到没有
从整体来看，即使召回的时候，召回完成后的排序的位置，影响到第几屏，这个对点击率影响非常大，实际上在真正的推荐系统中，通过排序的算法就可以解决绝大多数召回中的召回的问题，总结来说，即使一个召回的数据很多，但是在排序的过程中位置很靠后，那么对于这个召回来说，几乎没有曝光机会，所以：排序做的话，召回的比率可以不怎么更改。
终极解决方案：排序的过程中就考虑召回模块，把从召回模块推荐出当成一个参数来进行模型训练，一劳永逸。
上线的实际情况是，看效果，看效果，看效果，有些时候人工定的配比不一定不行。
进一步说明：
假设A模块对应的点击率的曲线函数为f(x1)，B对应的点击率函数为f(x2)，C为f(x3)，主要有以下二种情况：
1、如果B的函数f(x2)保持平稳，不会因为曝光率的增大而降低，那么全部召回B可以达到最大的收益
2、如果B的函数f(x2)会随着曝光率的增大衰减的厉害，那么就是一个根据点击率函数还确定的最优解。假设A，B，C对应的配比系数为r1，r2和r3，那么最后就成为求解
r1*f(x1)+r2*f(x2)+r3*f(x3)的最大值
敲重点：现网实际上并不能完全模拟发现单一模块点击率的情况，可能的就是灰度来进行统计，或者在线进行微调获得一个大致的分布，基于这个分布上做个近似处理。因为点击率还和排序有很强的关系，实际上现网的各模块召回的情况，只能是数据提供的部分支撑和业务上的一个讨论一起决定的过程，通过A/B测试来进行验证
TO：有留言用户说可以说的详细点，实际上排序和位置的变化可能比从召回模块召回的多少影响大，实际上绝大多数用户浏览的深度都不是很深