所谓召回，在刚接触推荐系统的时候可能只看字面意思无法理解召回的意思，召回可以理解为向用户粗选一批待推荐的商品，相当于粗排序。之后会加一层CTR预估的rank模型，相当于精排序
推荐系统的主要模块即为：召回 => 排序（精排） => 过滤模块（对最终展示商品进行过滤，多样性排序等)
推荐系统是一个很大的话题，涉及到很多模块，这里主要是调研了一下推荐召回环节的主流做法。一般有如下几条线路。
基于Content的推荐
方法：只使用内容信息，而不直接使用用户行为数据。通过分析内容，推荐与用户浏览历史相似的内容。因此，如何计算内容之间的相似性是问题的关键。一般分成“分词”，“词权重分析”，“降维”三个阶段，每个阶段都有很多可以优化的地方，不同的做法会带来不一样的推荐体验。
优点：（一）不依赖用户行为数据，因此不存在新内容的冷启动问题。（二）基于内容的做法很容易在“降维”阶段引入用户行为，从而可以吸收一部分CF的优点。
缺点：（一）需要精细优化的地方会很多，没有工匠精神，效果比较难出来。（二）最重要的模块是通过对用户session实时分析用户意图。
应用： 在电商推荐中，如果基于内容计算商品相似度，内容相似度一般定义为（品牌+品类+价格+标题的内容相似度），大规模两两之间相似度计算非常困难，工程上实现需要LSH等方法
基于CF的推荐
方法：只使用用户行为数据，而不管内容信息。通过用户行为向量，使用item-base和user-base方法推荐相似内容或者相似人群喜欢的内容。
优点：（一）当用户行为数据丰富的时候，itembase和userbase的协同过滤方法非常通用，很容易出效果。（二）用户行为关联可以推荐出偏topic属性的内容，而不会局限于关键词，因此相关性效果一般都很好。
缺点：新内容的冷启动问题很严重，只能通过EE的方式缓解。
应用：电商中基本是item-based CF，即对于一个用户，先取出用户过去的行为session商品（如点击，加购物车，下单等），根据规则向用户的召回集中选择商品，可以配置多个召回源，如相似、相关、偏好店铺热销等。因此重点是离线计算好多种相似度关系（比如商品与商品的相似度、相关度，店铺下商品的热门程度、店铺与店铺的相似程度等） ，注：商品和商品的相似度，一般通过用户的浏览行为，用频繁项集（基于共现次数+热门商品降权方法）来计算，这样不用引入22之间计算的笛卡尔积，计算效率得到保证。
如果是user-based CF，则首要任务是计算用户之间的相似度，同样计算量非常大，但这种方法推荐新颖性较好（网易云音乐好像适用类似方法）。微信的deepwalk（用户的相识关系是典型的图模型），deepwalk通过节点的游走可以算出每个节点的embedding，进而求节点的相似度。
基于内容和CF的混合推荐
方法：不仅使用用户行为信息，而且还使用内容信息。一般是使用feature-based模型来进行推荐。
优点：（一）理论完备，通过模型的推广能力来解决新内容的冷启动问题，而且在小数据集上离线指标往往比CF能取得更好的效果。（二）可以通过提高模型复杂度不断提高推荐效果。
缺点：工程实现时难度比较大，需要解决用户和海量内容的打分服务。