编辑导语：推荐系统通过对用户行为喜好的预测进行信息过滤，进而为用户浏览进行推荐行为。一方面，推荐系统可以提升用户的信息阅读体验，另一方面，产品和平台也有助于借此留存用户、提高用户转化率。本篇文章里，作者对推荐系统中的召回和排序做了详细介绍，让我们来看一下。

2021年，距互联网曾经的百团大战已有近十年之久，随着时间的不断推进，技术发展也是日新月异。

从电商角度看，传统的“人找货”变成了“货找人”；从内容角度看，由信息的主动获取，到从海量信息中被动接收和挖掘有效信息。而这些都依赖于推荐系统。

对于用户而言，它作为一种“信息过滤的手段”，能够在当前信息过载的场景下，**限度地提升用户的使用效率，建立用户对产品的信任和深度链接。

对于产品和公司而言，能够极大地提升用户活跃度与留存，提高用户转化率，这将为产品带来巨大的商业价值。

记得最早将推荐系统应用到工业界的是Amazon（亚马逊），仅仅是03年，它将传统的协同过滤算法应用在“人货匹配”的领域，开拓了电商的一条全新道路。如今的推荐系统经过技术的不断更迭，变得更加AI化、智能化。机器学习与深度学习的发展不断为其赋能，使“推荐”成为当今产品的标配。

我们进入AI的时代，产品和技术的边界，未来将变得越来越模糊，某个层面讲，有效策略的提出也往往依赖于对于技术的理解。本篇着重对于推荐模型中的召回和排序两个模块进行阐述。

一、整体框架

首先，如果要保证整个推荐系统的推荐精准度，需要依赖大量的基础样本数据，在离线条件下，将大量的样本数据“喂”给推荐模型，推荐模型将会拟合出一套普适性的算法公式，从而当每一位用户来到产品时，都能够基于用户数据带入到算法公式中，在模型的输出层得到一个结果。

这个结果是具有置信度的，将其推荐给用户，随着用户不断对推荐系统给出的结果进行反馈，用户的特征也会变得越来越丰富，从而推荐精准度也会越来越高，促成一个良性循环。

推荐系统的大致结构如上图所示，整体流程如下。

用户来到推荐页时，根据不同用户的用户数据、物品数据、所处的上下文信息等，从海量的候选物品集合中，分别经历召回层、排序层、重排序层，拉回K个用户最有可能喜欢的物品，形成最终的推荐列表（这里的物品为泛指，可以指商品、内容等）。

二、模块构成