科技猎推荐策略产品经理基础知识——推荐系统逻辑（中）
前面给大家简单介绍了召回的概念，下面就来看看多路召回的好处以及一些常见的召回路径。如果有不对的地方欢迎大家指正哦！
多路召回的好处：
提高召回率和准确率，这里不对这2个名词作解释，可以找相关文章自行查询；
个性化推荐的基础，用户多样性兴趣探索，多元化召回；
保证线上事故发生时还有存余召回兜底，避免推荐接口没有返回的数据；
贴近业务，各业务需求不一样，需要进行融合（广告召回、强插、item冷启动等）。
常见的召回路径 （策略都是需要数据支持且与场景强相关的）：
1）协同过滤
基于用户的协同过滤，基于item的协同过滤；简单来说就是喜欢A内容的用户，还喜欢B游戏（这种召回方式比较老，现在很少有公司会用）。
协同过滤和用户及游戏都有关，矩阵，玩过就是1，没玩就是0，没玩过的游戏很多，很多都是0，所以会做矩阵分解：用户矩阵和商品矩阵，每一列就是用户向量或商品向量。
2）word2vec（词向量）
（最早用于NLP中）需要拿到用户的玩游戏序列，每个游戏做one-hot编码，会有一个神经网络模型，输入是A→B→？→D→E，输出是C，或A→B→C→D去预测E。
模型中间的隐藏层就叫词向量，和游戏有关，和用户没关，拿数据的时候和用户有关（向量用法：用户和游戏算相似度：用户A和游戏B向量做相似度计算；用户和用户、游戏和游戏）。
3）内容匹配召回
这一块主要和标签（类别）召回有关，比如：用户玩了王者荣耀，那么可以尝试召回推荐类似王者荣耀的吃鸡游戏，这是基于内容标签的召回；又或者用户玩了植物大战僵尸1，那么也可以尝试推荐植物大战僵尸2/3等，这是基于知识储备的匹配。
4）高热召回（热门召回）
这一路召回主要是新用户用的比较多，新用户刚来APP，拿不到过多的用户信息且没有行为，这种情况下，平台高热召回就起了大作用，用来做新用户冷启动；用户冷启动这里不做过多结束，后面会有专门的一节做介绍。
5）基于上下文的召回
这个和用户在APP发生行为的时间、地点等场景有关系，例如游戏推荐在白天碎片休息时间推荐小游戏，在晚上休息时间推荐大游戏、游戏时长较长的游戏等；在其他垂类上体现的话，就像打车垂类对于用户位置信息的敏感，用户刷新闻的时间等等。
6）级联召回
一般的召回是用户点击做正样本，级联是用精排排在前面的游戏做正样本，排在后面的做负样本，做召回模型的正负样本。
7）其他召回
根据业务需求，还会有其他召回，且每路召回的数量也有差异，例如为了让新用户快速留下来，新用户高热召回占比较大，但老用户的话，为了挖掘用户兴趣多样化，高热召回占比会相对小一点。
召回层也是有模型的，尤其是做电商业务，召回的模型会更复杂。
关于召回的内容就先介绍到这里了，下篇文章给大家讲讲另一个重要知识点：排序。继续去看看吧！
以上就是“推荐策略产品经理基础知识——推荐系统逻辑（中）”的内容了，如果你还想了解其他相关内容，可以来 产品壹佰 官方网站。
多路召回的好处：
提高召回率和准确率，这里不对这2个名词作解释，可以找相关文章自行查询；
个性化推荐的基础，用户多样性兴趣探索，多元化召回；
保证线上事故发生时还有存余召回兜底，避免推荐接口没有返回的数据；
贴近业务，各业务需求不一样，需要进行融合（广告召回、强插、item冷启动等）。
常见的召回路径 （策略都是需要数据支持且与场景强相关的）：
1）协同过滤
基于用户的协同过滤，基于item的协同过滤；简单来说就是喜欢A内容的用户，还喜欢B游戏（这种召回方式比较老，现在很少有公司会用）。
协同过滤和用户及游戏都有关，矩阵，玩过就是1，没玩就是0，没玩过的游戏很多，很多都是0，所以会做矩阵分解：用户矩阵和商品矩阵，每一列就是用户向量或商品向量。
2）word2vec（词向量）
（最早用于NLP中）需要拿到用户的玩游戏序列，每个游戏做one-hot编码，会有一个神经网络模型，输入是A→B→？→D→E，输出是C，或A→B→C→D去预测E。
模型中间的隐藏层就叫词向量，和游戏有关，和用户没关，拿数据的时候和用户有关（向量用法：用户和游戏算相似度：用户A和游戏B向量做相似度计算；用户和用户、游戏和游戏）。
3）内容匹配召回
这一块主要和标签（类别）召回有关，比如：用户玩了王者荣耀，那么可以尝试召回推荐类似王者荣耀的吃鸡游戏，这是基于内容标签的召回；又或者用户玩了植物大战僵尸1，那么也可以尝试推荐植物大战僵尸2/3等，这是基于知识储备的匹配。
4）高热召回（热门召回）
这一路召回主要是新用户用的比较多，新用户刚来APP，拿不到过多的用户信息且没有行为，这种情况下，平台高热召回就起了大作用，用来做新用户冷启动；用户冷启动这里不做过多结束，后面会有专门的一节做介绍。
5）基于上下文的召回
这个和用户在APP发生行为的时间、地点等场景有关系，例如游戏推荐在白天碎片休息时间推荐小游戏，在晚上休息时间推荐大游戏、游戏时长较长的游戏等；在其他垂类上体现的话，就像打车垂类对于用户位置信息的敏感，用户刷新闻的时间等等。
6）级联召回
一般的召回是用户点击做正样本，级联是用精排排在前面的游戏做正样本，排在后面的做负样本，做召回模型的正负样本。
7）其他召回
根据业务需求，还会有其他召回，且每路召回的数量也有差异，例如为了让新用户快速留下来，新用户高热召回占比较大，但老用户的话，为了挖掘用户兴趣多样化，高热召回占比会相对小一点。
召回层也是有模型的，尤其是做电商业务，召回的模型会更复杂。
关于召回的内容就先介绍到这里了，下篇文章给大家讲讲另一个重要知识点：排序。继续去看看吧！
以上就是“推荐策略产品经理基础知识——推荐系统逻辑（中）”的内容了，如果你还想了解其他相关内容，可以来 产品壹佰 官方网站。
