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）
转载自原文链接, 如需删除请联系管理员。
原文链接：推荐系统的召回，转载请注明来源！