再看经典召回算法

在学习和应用推荐算法的过程中，发现越来越多的文章在描述深度学习应用在推荐系统上的方法，不可否认深度学习的发展给推荐系统带来了巨大的进步，但是传统的经典算法仍然是非常值得学习的，毕竟可以作为一个比较高的算法基线，同时也是快速上手和搭建推荐系统的好方法，因此这篇文章就主要总结和梳理一下传统的经典召回算法。

一般经典的召回方法即采用多路召回的方式，如下图所示。

通俗的来说多路召回就是从不同的角度采用一定的方法针对给定用户来从候选物品库中挑选一定数量的物品，最终把每路挑选出来的物品合起来一同交给排序模型进行排序，从而推荐给该用户。多路召回的特点就在于“多路”，满足了挑选物品的多样性，捕捉用户兴趣的多样性，可以根据需要保证你想要召回的物品总能通过某一路挑选出来。下面就详细介绍和分析一下每一路召回方法。

▌热门召回

根据字面意思可以看出和个性化无关，即挑选热门物品即可，比如挑选出点击率高或下载量大的Top K个物品。

▌基于兴趣标签的召回

对用户兴趣标签进行优先级划分，然后依次根据用户的兴趣标签挑选对应标签的物品。比如A用户的兴趣有看书，健身，爱狗人士，而根据A用户的喜爱程度排序则为爱狗人士，健身，看书，那么可以从物料库中挑选出和狗相关的Top K个物品，如果不够则依次从下一个兴趣标签挑选物品，直到总共选出Top k个物品。

或者可以对用户每个兴趣标签划分挑选物料的比例，保证用户的多个兴趣标签都有对应的物品。

▌基于年龄地域等人群召回

该方法主要利用人群基本特征（年龄，性别，城市等）对用户进行分组，然后找到同一人群的共同物品偏好，从而进行相似推荐。比如年龄20至30，性别男，城市一线城市分为一组，发现在这一类人群中洗面奶的购买量很大，那么就可以对具有相同人群推荐该洗面奶。

▌基于协同过滤的召回

协同过滤最典型的两个方法，一个是基于物品的协同过滤，一个是基于用户的协同过滤，用来直观区分和理解这两种方法的点是：可以把他们分别看作为一个是通过计算物品的权重来进行相似推荐，而另一个是通过计算用户的权重来进行相似推荐，具体可以看下面的详细分析。除了以