召回

目标：初步筛选用户感兴趣的item，通常多路并发召回，各路召回互不影响

传统方法: 协同过滤

iiCF
- 用户历史item中找最相似的item,将该用户自身评分填入
- 缺点：
  - 候选item限定在用户的历史行为类目中
  - 难以结合候选item的Side Information
  - 发现性弱
  - 对长尾商品的效果差
  - 容易导致推荐系统出现越推越窄的问题
uuCF
- 相似用户对item的评分(各自归一化)均值填入
基于模型的协同过滤
- MF矩阵分解

单Embedding

将user和item通过DNN映射到同一个低维度向量空间中，然后通过高效的检索方法去做召回
双塔模型
YoutubeDNN

多Embedding

Multi-Interest Network with Dynamic Routing (MIND)
- 只用一个embedding向量来表示用户的兴趣其表征能力是远远不够的，MIND模型通过引入capsule network的思想来解决输出多个向量embedding的问题 (Atteintion)

Graph Embedding

阿里Graph Embedding with Side information
GraphSAGE：Inductive representation learning on large graphs

结合长短期兴趣

SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
Next Item Recommendation with Self-Attention

深度树匹配

阿里TDM：Tree-based Deep Model

参考

[1] 知乎：谈谈推荐场景中召回模型的演化过程