这是 Beta 探索课程，内容结构、实验步骤和示例可能会继续调整。
多路召回
为什么要召回
全站可能有上亿条视频，排序模型不可能直接对所有视频打分——太慢、太贵。召回的任务，是从海量内容中快速找出几百到几千条候选视频，交给排序。
多路召回
召回通常不是一条通道，而是多路并行，每条通道侧重一个维度：
多路召回
从海量视频中，用多条通道快速缩小候选集
关注召回
关注作者的新视频配额 20%兴趣召回
长期兴趣标签匹配配额 30%相似召回
与最近观看视频相似配额 20%热门召回
全站 / 地域热门内容配额 20%探索召回
新视频与长尾内容探索配额 10%协同过滤
相似用户喜欢的视频配额 动态多路召回可以兼顾相关性、热度、新鲜度和多样性——任何单一通道都做不到这一点。
每路召回的关键
| 通道 | 关键点 |
|---|---|
| 关注召回 | 实时性（新发布立即召回） |
| 热门召回 | 冷热区分、地域化 |
| 兴趣召回 | 长期兴趣的稳定表达 |
| 相似召回 | embedding 相似度 |
| 协同过滤 | 行为矩阵 |
| 探索召回 | 新视频、长尾、低曝光 |
召回决定了排序的上限
一个重要的认知：召回决定了排序的上限。如果好内容没有进入候选集，再强的排序模型也无能为力。
- 排序只能从候选里挑「最好的」。
- 召回要保证「好内容有机会进候选」。
- 召回召回太窄 → 系统会固化；太宽 → 排序被噪声淹没。
召回的质量
召回阶段要监控：
- 每个通道的命中率。
- 候选去重后的数量。
- 召回内容的新鲜度与多样性。
- 后续排序中的入选率。
下一节看多路召回之后：候选怎么合并、配额怎么控制。
发现内容有问题？
告诉我们哪里需要改进。