召回是推荐系统的第一阶段,主要根据用户和商品部分特征,从海量的物料库里,快速找回一小部分用户潜在感兴趣的物品,然后交给排序环节。这部分需要处理的数据量非常大,速度要求快,所有使用的策略、模型和特征都不能太复杂。
召回中台在推荐系统中应该扮演什么样的角色呢?答案可能为
- 推荐候选的生成(系统定位)
- 复制机制的注入(生态建设)
召回中台里模型化召回是很重要的组成部分。模型化召回可以分为两部分,包括召回模型的学习与更新,以及线上的Ann检索服务。在召回模型的学习与更新阶段,主要是基于用户平台行为信息,针对特定的学习目标,完成基于表征学习的召回模型训练和更新,该模型能够产出有效的高层User表征向量和Item表征向量。从学习目标来看,常见的召回模型包括内容语义类、行为偏好类、关系匹配类等。
从传统个性化召回到模型化召回
模型化召回的多目标处理
模型化召回的多样性
多目标召回的处理流程
物料冷启动
大规模召回中台的“深度化”展望
图模型应用