召回阶段怎么选方法?

这道题其实问的是，在推荐系统里，召回到底在解决什么问题？说白了，它不是找最准的，而是在海量候选里用最快速度圈出有可能相关的，把筛子放到精排面前。所以核心是效率与效果的平衡，你要在几十毫秒内从百万甚至亿级池子里捞出几百个，不能漏掉好的，但也不能因为追求精确而把系统搞慢。

具体到方法，我一般从几个维度来看。先说协同过滤，它依赖用户和物品的交互矩阵，找相似用户或者相似物品。优势很明显，不需要特征工程，靠群体行为就能挖掘关联。但它的局限也很突出，冷启动完全没法处理，新用户新物品进来矩阵是空的，另外就是热门偏置，容易推的都是爆款，长尾很难出来。所以它适合用户行为已经很丰富的成熟业务，比如电商里用户购买记录多的场景。

再一个就是向量召回，现在工业界用得最多的[[双塔]]结构。用户塔和物品塔分别编码，最后算向量内积近似。它的好处是泛化能力强，能利用用户和物品的属性做语义匹配，而且可以增量更新。但训练成本高，负样本怎么选很关键，选不好模型就学偏了。另外它有个风险，就是可能过度泛化，比如用户点过一次某个内容，向量召回能推出完全不相关的类似风格，但实际用户并不感兴趣。所以它更适合大规模、需要语义理解的场景，比如新闻推荐或者视频推荐。

图召回和规则召回算是两种补充。图召回构建用户和物品的异构图，用GNN传播高阶信号，能捕获多跳关系，比如朋友的朋友这种。它特别适合社交产品，因为社交关系天然就是图结构。但计算复杂，图构建和更新成本很高，实时性是个挑战。规则召回就简单粗暴了，人工定策略，比如热门、新品、运营干预。它的好处是可控可解释，上线快，能兜底。但天花板低，很难个性化，维护起来也累。所以规则召回一般用在冷启动阶段或者新用户引导，作为保底。

真正落地的时候，你会发现没有一种方法能包打天下。工业实践里，主流是多路召回加粗排的架构。多路召回就是让协同过滤、向量、图、规则这些并行跑，各自出一些候选，然后合并去重。为什么需要多路？因为不同方法擅长不同维度，协同过滤抓住群体偏好，向量抓住语义相似，图抓住社交关系，规则保证基本覆盖。合并之后再用粗排快速过滤掉明显不相关的，最后才交给精排。这个架构的核心是保证召回的多样性，因为精排只能从送进来的候选里选，如果召回本身就很窄，精排再强也没用。

这里有个容易被忽略的点，就是召回多样性怎么量化？我一般会看召回集合的覆盖率和熵，如果某个来源占比太高，就要调整权重或者加一些随机采样。另外冷启动阶段，我会特别关注规则召回和向量召回的配合，比如新用户先用热门规则兜底，同时用少量行为做向量召回试探兴趣。

总的来说，我更倾向把召回看作一个系统工程，不是选哪个方法最好，而是怎么组合才能平衡效率、效果和多样性。面试官如果感兴趣，我可以展开讲讲多路召回里权重怎么动态调整，或者向量召回中负采样的一些实践。