一.什么是个性化召回
召回是从全局的item库中选取和当前推荐被用户（根据用户属性，历史行为等信息）相关的一部分作为候选集。
举例说明：
如果某个推荐系统中，物品全集是如下左图中9个item，这里有两个用户A和B，他们分别对不同的item感兴趣。这里拿信息流产品举例，如果user A对体育类新闻感兴趣，user B对娱乐类新闻感兴趣，那就按照简单的类别召回，得到结果如下右图所示：
召回阶段的意义：
召回阶段是整个推荐，搜索中的第一步骤，它的输出作为后续步骤（排序，策略调整）的输入，最终展示给用户的item数据是这个集合的子集。召回太多，导致后续的排序精细化排序过程计算压力大，用户被“读懂”的幸福感降低；召回太少，用户看到的内容太少，不利于用户和平台发生转化。所以召回决定着推荐，搜索的天花板。
二.工业界召回常用的架构
1.离线方式：离线的model file算出推荐结果，这些推荐结果可以是用户喜欢哪些item，也可以是item之间的相似度文件，然后写入KV存储，在线的server recall部分直接调用这个结果，拿到ID之后访问detail server得到详情，再往rank部分传递。
2.半在线模式：将model file算出来的item embedding也存入KV，然后tf-server调用在线model 生成 user embedding,然后通过两个embedding做最近邻召回。
召回阶段多种算法如何实现多路召回：
如上图所示，每种算法按照各自的召回配比份额，进行召回对应数目的item,再进行去重merge;或者排序无性能压力的情况下，分别召回各自子召回域，再去重merge;亦或投票等等规则，得到我们推荐系统想要的召回域。
三.常用的算法概述
1.基于用户行为的：也就是用户基于推荐系统推荐给他的item点击或者没点。这一类的算法主要有CF以及矩阵分解，还有就是基于图的推荐，这一类的个性化召回算法总体来说就是推荐结果的可解释性较强，比较通俗易懂，但是缺少一些新颖性，具体包括一下各类：
1.1 item-CF是item根据user的贡献，得到item的相似度矩阵，用户根据点击过的item的相似item来完成推荐
1.2 user-CF是user根据item的贡献，得到user的相似度矩阵，用户将根据相似用户点击过的物品完成自己的推荐。
1.3 LFM是根据user-item矩阵，将矩阵分解，从而得到user与item的向量，将两个向量点乘得到的数值取top k 便完成了推荐。
1.4 psersonal rank是根据user与item的二分图，在这个二分图之间随机游走，便得到物品对固定用户的倾向度，把这个倾向度得分叫做PR值。那么取PR值得top k也就完成了用户的推荐
2.基于user profile的：经过用户的自然属性，也就是说经过用户的偏好统计，那么基于这个统计的类别去召回。推荐效果不错，但是可扩展性较差。也就是说一旦用户被标上了某一个类别或者某几个类别的标签之后，很难迁移到其余的一些标签，主要包括一下各类：
2.1 content-base 首先将item进行标签化，然后将user进行标签化，然后将user的标签化与item的标签化在线上推荐的时候进行匹配
3.基于隐语义的：主要指基于user,item的embedding的深度学习的方法，新颖性、创新性十足，但是可解释性不是那么强，主要指：
3.1 item2vec首先根据用户的行为得到由item得到的句柄，根据训练语料得到item embedding的向量，得到这个向量之后就能得到item的相似度矩阵。从而根据用户的历史点击推荐相似的item给用户，也就完成了推荐
四.召回的评测方法
在现有的个性化召回体系下，如果要新增一种个性化召回算法，需要知道这种个性化召回算法会对系统造成怎样的影响，是正向收益还是负向收益。所以经过离线和在线两个步骤的评测：
1.离线评测：是作为能否进入线上的标准，主要是通过历史数据，场景重现，看用户反馈的各项指标是否有所提升，指标包括模型指标（P值,r值，F1值等），业务指标(CTR,CVR)。
2.在线评测：主要是通过逐级增大流量的AB实验的方法，进行测试，观察各种业务的在线指标，比如CTR，CVR,GMV等。
五.数据集
因为推荐系统，除非读者各大厂的工程师，否则很难有操刀的场景，所以整理了下推荐系统方面的常用的数据集，个人学习可以在这些数据集上进行实验和测试算法效果
参考资料：
慕课网：个性化推荐算法实践(因为是在B站看到，所以无法知道该课程具体出处)
https://blog.csdn.net/weixin_41640583/article/details/89072762
https://blog.csdn.net/weixin_41640583/article/details/86935434
https://blog.csdn.net/somtian/article/details/78012749
以上内容为个人知识点整理，学习所用，如有涉及权益问题请联系 QQ：936754331
网友评论