平台根据业务场景内置多种召回策略，策略规则及参数可根据业务需要进行配置。
目前平台支持5种基础召回类型：高热召回、用户兴趣召回、重定向召回、item_cf召回、模型召回，以及3种相关推荐场景的召回类型：父物品维度高热召回、父物品重定向召回、父物品item_cf召回。每种召回类型均可以创建多个召回策略。每一路召回都可以配置时间、行为以及过滤条件等召回逻辑。

各类召回说明

高热召回

基于推荐内容的行为热度进行统计，并按照热度排序返回召回结果。

例如将时间近1920min有点击行为（且满足维度条件设置）的物品，按照“行为发生的频次”由大到小进行召回
如果用户的点击行为如下：【C,C,A,B,D,D,B,C,D,E,D,E,E,B,C,C】，那么召回结果：C>D>E>B>A。

用户兴趣召回

基于用户历史行为热度计算用户兴趣偏好，并通过指定兴趣偏好维度返回召回结果。召回结果可以根据兴趣支持多种融合方式，可以根据兴趣等比例融合、根据兴趣所占权重比例进行融合，也可以根据物品/内容得分（按行为频次打分）返回召回结果。

step1：计算用户A的兴趣
用户的兴趣是从他的行为中发现的，首先我们要处理用户的行为数据。
因为配置的行为是点击，所以我们挑选用户A 最近的点击记录：

根据过滤条件：行为发生在1920min之内，电动牙刷 和 玛莎拉蒂 以及后面的所有行为都被过滤掉了。
根据配置，我们定义用户“兴趣” 为物品类目，“喜欢程度” 定义为点击行为的行为频次。统计结果如下：

step2：找到兴趣下的热门物品
我们已经知道用户A的 “兴趣” 了。下面我们就把这两个类目下最 “热门” 的物品召回出来，“热门” 的标准和 第一步中 “喜欢程度” 的定义一样，都是点击行为的行为频次，我们挑选出 电子产品 类目下的所有用户的点击行为：

根据过滤条件：行为发生在1920min之内
将不符合条件的物品过滤掉，统计结果如下

这四个物品就是 电子产品 这个类目下召回的物品了。
同理，假如 体育用品 这个类目下的召回物品如下：

那么最后对于用户A的召回结果，就是这两个类目下的召回结果的合集。
step3：合并结果
目前平台支持三种合并方式：

• 兴趣权重： 在 step1 找到的用户 “兴趣中” 其实还有一个权重的概念，这个概念就是行为频次，在本例中， 电子产品 ：体育用品 = 4 ：3， 也就是说最后召回的数据中有 4/7 来自 电子产品，3/7 来自体育用品。
• 兴趣等比例： 在本例中就是最后的结果一半来自电子产品，一半来自体育用品。
• 物品得分： 这个合并方式是将所有召回结果排个序，然后取截断，在本例中就是：台球杆(score: 5) > 棒球杆(score:4) > iphone11(score:3) > thinkpad(score:2) > ...

重定向召回

基于用户发生历史行为，进行二次召回（按照“行为发生的时间”由近到远进行召回）。内容社区无重定向召回。

将在线请求用户在1920min之内发生点击行为的物品，按照“行为发生的时间”由近到远进行召回。
例如用户1、2、3在1920min内的点击行为分别如下（例如用户1，先点击itemC，再点击itemB，再点击itemA）：
uid1 【itemA，itemB，itemC……】
uid2【itemA，itemB，itemD……】
uid3【itemD，itemE，itemF……】
在线传入uid1，返回结果：A>B>C>……

item_cf召回

基于物品的协同过滤召回。对满足条件的用户按照一定比例随机采样进行计算，物品相似度支持两种计算方式：item-common、swing。swing 是一种改良版的相似度计算模型，与 item-common 对比计算资源消耗更多，内存占用更大，但是效果更优。

step1：取用户近期有行为的物品
在线传入uid1，取用户uid1最近发生点击行为的的20个物品uid1【itemA，itemB，itemC】

step2：离线计算 i2i 的关系
1）将满足时间近5天用户的点击行为筛选出来：
uid1 【itemA，itemB，itemC……】
uid2【itemA，itemB，itemD……】
uid3【itemD，itemE，itemF……】
2）通过item-common/swing计算 i2i 的关系：
（itemA ， itemB） = (A,B 共现的次数) / itemA * itemB
（itemA ， itemC） = (A,C 共现的次数) / itemA * itemC
假设item-common/swing计算 i2i 的结果如下：
itemA（itemB 相似度0.8，itemC 相似度0.7 ，itemD 相似度0.6……itemN 相似度0.5）
itemB（itemC 相似度0.9，itemD 相似度0.8，itemE 相似度0.4……itemN 相似度0.3）
……
itemN（itemB相似度0.7，itemC相似度0.6，itemD相似度0.5……itemN-1相似度0.3）
【其他过滤条件】

• 用户随机采样比例，只选取平台一部分用户的行为计算 i2i 的关系。
• 过滤某段时间用户行为频次/物品行为频次过高的用户及物品，避免有作弊嫌疑的用户/物品进入计算。

step3：以上两个结果进行merge

• uid1【itemC，itemB，itemA】三个item的相似物品进行 merge：

itemC:【itemE，itemF，itemM】
itemB:【itemA，itemC，itemD】
itemA:【itemB，itemE，itemN】

• merge 逻辑：取 item 同时会和已取 item 做去重，如果取某一条拉链的 item，在其他拉链中取过，则继续取本条拉链，直到取出一个不会被去重的 item 或者此拉链取完为止。

merge结果如下：E>A>B>F>C>N>M>D

模型召回

通过用户自建的模型进行召回，支持常用的向量化召回算法。自建模型可参考模型开发流程。模型训练使用用户行为数据，在线预测使用 user 侧特征。

父物品维度高热召回

基于父物品的行为热度进行统计，并按照热度排序返回召回结果。

将时间近1920min有点击行为的物品，且与在线请求父物品维度一致（且满足维度条件设置）的物品，按照行为频率进行排序。假设所选维度为视频类型 ，在线请求的父物品视频类型为电影。
例如用户对物品的点击行为如下：【C,C,A,B,D,D,B,C,D,E,D,E,E,B,C,C】。

其中E与在线请求的父物品维度不一致，不被召回。
召回结果：C>D>B>A

父物品重定向召回

基于父物品下发生的历史行为进行召回（按照“行为发生的时间”由近到远进行召回）。内容社区无父物品重定向召回。

和在线请求的父物品相同，并且在1920min之内发生点击行为的物品，按照**“行为发生的时间”由近到远**进行召回。
例如用户当前请求的父物品为 itemP。最近发生过点击行为的item如下：

itemC 和 itemE 的父物品为 itemQ，与当前请求的父物品 itemP 不一样，需要排除掉，剩下的按照时间排序。
返回结果： A>B>D>F

父物品item_cf召回

基于父物品的协同过滤召回。对满足条件的用户按照一定比例随机采样进行计算，物品相似度支持两种计算方式：item-common、swing。swing 是一种改良版的相似度计算模型，与 item-common 对比计算资源消耗更多，内存占用更大，但是效果更优。

step1：取在线请求的父物品 pid（即parent_item_id，下同）
有两种方式，一种是直接取父物品 pidA，一种是取父物品 pid 下发生点击行为的20个物品 item_id【itemA，itemB，itemC……】。

step2：离线计算 i2i 的关系
有两种方式计算 i2i 关系：

• 通过 u2i 的关系进行计算，计算过程同普通的item_cf召回。
• 通过 p2i 的关系进行计算，计算过程如下。

1）将满足时间近5天用户的点击行为筛选出来：
pid1 【itemA，itemB，itemC……】
pid2【itemA，itemB，itemD……】
pid3【itemD，itemE，itemF……】
2）通过item-common/swing计算 i2i 的关系：
（itemA ， itemB） = (A,B 共现的次数) / itemA * itemB
（itemA ， itemC） = (A,C 共现的次数) / itemA * itemC
假设item-common/swing计算 i2i 的结果如下：
itemA（itemB 相似度0.8，itemC 相似度0.7，itemD 相似度0.6……itemN 相似度0.5）
itemB（itemC 相似度0.9，itemD 相似度0.8，itemE 相似度0.4……itemN 相似度0.3）
……
itemN（itemB 相似度0.7，itemC 相似度0.6，itemD 相似度0.5……itemN-1 相似度0.3）
【其他过滤条件】

• 父物品随机采样比例，只选取平台一部分父物品的行为计算 i2i 的关系。
• 过滤某段时间父物品行为频次/物品行为频次过高的物品，避免有作弊嫌疑的物品进入计算。

step3：以上两个结果进行merge
使用step1 的【方案一】，即直接取父物品 pidA：在线传入 pidA，将 pidA 作为 itemA，取相似物品列表 itemA（itemB 相似度0.8，itemC 相似度0.7 ，itemD 相似度0.6……itemN 相似度0.5）
结果如下：B>C>D>……>N

使用step1 的【方案二】，即取父物品 pid 下发生点击行为的20个物品 item_id：pid1 【itemA，itemB，itemC……】，取20个 item 的相似 item 进行 merge：
itemA:【itemB，itemE，itemN】
itemB:【itemA，itemC，itemD】
itemC:【itemE，itemF，itemM】

• merge 逻辑：取 item 同时会和已取 item 做去重，如果取某一条拉链的 item，在其他拉链中取过，则继续取本条拉链，直到取出一个不会被去重的 item 或者此拉链取完为止。

merge 结果如下：B>A>E>N>C>F>D>M

任务类型说明

批式召回任务：每日定时计算，当天提交的任务从第二天开始生效。对资源消耗较小，适合对时效性要求不高且时间窗口比较大的召回场景。
流式召回任务：流式任务需要传入行为数据的增量实时数据才能启动。流式任务启动后任务常驻，对资源消耗较多，适合对时效性要求高且时间窗口比较小的召回场景。

维度条件逻辑说明

不同字段类型对应的运算符号如下：

当选择的维度条件涉及 $##$ 拼接时（如选择物品类目、内容分类、spm 等），按照如下逻辑：

• 每一行内取交集。例如选择物品类目，每一行的一级、二级、三级类目之间取交集。
• 行与行之间取并集。例如下图，最终配置的最终过滤是物品类目属于 1$##$2$##$3，或者 4$##$5$##$，或者 6$##$$##$7。

若只想保留二级类目为2的行为数据构建召回，按照下图配置即可。

另外，item_id为null的数据会被过滤掉，不会用于召回任务的计算。

召回列表

召回规则完成配置发布后就可以使用，可以在在线服务和ab实验中绑定召回使用。一次只能发布一个召回，当存在“发布中”的召回时，不可再发布其他召回。
召回规则下线时关联的在线服务会重启生成一个新的版本，如果召回规则关联了上线中的ab实验则不可下线。

开通自定义策略功能

在使用自定义召回/自定义规则模块前，如果还未开通过编译服务，则需要先发起“开启自定义策略”流程。
单击左下角开启自定义策略的【一键开启】按钮，在弹出的确认界面单击【启用】。开通成功后，即可使用自定义召回策略和自定义业务规则，且自定义模型模块也无需再次开通。

自定义召回流程

在平台内置的召回策略之外，支持“添加召回”，即新增用户自定义的召回结果数据，与平台召回进行融合。

• 新建自定义召回-添加召回

• 编辑代码文件、参数文件。readme 文件中提供示例代码及参数说明。

代码文件：进入编辑页面，可看到“添加召回”的代码文件，版本为 c++14。提供默认的示例代码，用户可在此基础上根据业务需求进行代码编辑。可在 readme 文件中查看示例代码的详细说明。

参数文件：params 文件夹下，提供默认的参数文件 params_default.json，同时支持新建参数文件。每个自定义召回的代码文件可以有多份参数文件，不同在线服务使用同一个自定义召回时，可灵活选择使用不同的参数文件。

• 测试自定义召回

在完成代码和参数编辑后，正式发布前，可通过测试功能验证代码逻辑的正确性。

• 发布自定义召回

在自定义召回代码编辑页，可以直接发布。也可以在召回列表操作栏点击“发布”。

• 在线服务时选择使用自定义召回

所有“已发布”状态的自定义召回，均可以在在线服务配置召回策略时选择使用。选择使用自定义召回时，可选择对应的参数文件。不同在线服务支持使用同一份自定义召回时，灵活选择不同的参数文件。