第4章 召回模型：协同过滤与向量召回
召回是推荐系统的第一道漏斗，决定了候选集的上限。本章聚焦协同过滤与向量召回两大范式，从业务场景出发，拆解选型逻辑、模型结构、工程落地及面试高频追问。掌握场景→方式→效果的回答框架，并结合腾讯社交关系、美团LBS等公司侧重点差异化表达。
召回方式核心对比
| 对比维度 | 协同过滤 (CF) | 向量召回 (Embedding) |
|---|---|---|
| 核心原理 | 用户-物品共现矩阵 | 嵌入表达语义相似度 |
| 精度 vs 覆盖 | 精度高，覆盖受限 | 泛化强，覆盖广 |
| 冷启动能力 | 弱（依赖行为） | 强（可利用内容特征） |
| 可解释性 | 强（共现可追溯） | 弱（嵌入不可直接解释） |
| 典型场景 | 电商、社交（强交互） | 内容推荐、LBS（弱交互） |
| 公司侧重 | 腾讯 社交关系图增强 | 美团 地理位置+LBS序列 |
召回模型选型流程
- 分析业务场景：用户行为密度？内容语义丰富度？实时性要求？
- 确定召回方式：强交互+社交→CF；弱交互+LBS→向量召回；复杂场景→混合策略
- 评估效果指标：精度、召回率、覆盖度、延迟（P99）、QPS
- 迭代优化方向：冷启动策略、特征工程、负采样优化、索引调参
Q1：请对比协同过滤与向量召回，并说明各自的适用场景。
回答框架 定义对比 → 优势劣势 → 场景匹配 → 公司案例
示例回答
协同过滤基于用户-物品共现矩阵，精度高但依赖行为密度，适合电商、社交等强交互场景。腾讯利用社交关系图增强CF，缓解稀疏性。向量召回通过嵌入表达语义相似度，泛化能力强，适合内容推荐、LBS等场景。美团结合GeoHash实现位置感知的向量召回。实践中常两者融合，平衡精度与覆盖。
可能追问 如何解决协同过滤的冷启动问题？
可从三个层面回答：① 内容特征回退（用物品属性计算相似度）；② 混合模型（CF+向量召回双通道）；③ 腾讯社交场景可利用好友关系为冷启用户生成邻居偏好（Social CF）。
避坑提醒
不要只背诵概念定义，必须结合场景说明选型理由。提到腾讯/美团时，要具体说明“社交关系如何增强CF”“LBS如何融入向量”，体现深度理解。
Q2：请详细讲解双塔模型的设计思路及训练优化方法。
回答框架 双塔结构 → 训练方式 → 优化技巧 → 公司差异化设计
示例回答
双塔模型包含用户塔和物品塔，各自编码后内积计算相似度。优化重点：in-batch负采样、hard negative挖掘、温度系数调节、多任务学习。腾讯在社交场景增加关系塔，融合好友关系特征；美团在物品塔加入LSTM编码LBS轨迹序列。线上使用Faiss进行ANN检索，平衡精度与延迟。
可能追问 双塔模型如何处理用户/物品特征不对齐？
回答要点：① 特征维度不对齐→统一Embedding维度；② 缺失特征→设置默认Embedding或使用注意力机制动态聚合；③ 时空特征对齐→美团场景将LBS序列padding到固定长度，再通过LSTM编码。
避坑提醒
避免只讲模型结构忽略工程细节。面试官期待听到负采样策略（batch内负样本 vs 全局负样本）、温度系数如何调节、以及大规模向量索引的选型经验。
Q3：向量召回中如何进行高效的近邻检索（ANN）？
回答框架 为什么需要ANN → 主流方法对比 → 选型考量 → 公司案例
示例回答
ANN通过索引结构实现近似检索，主流方法：IVF（聚类索引）、HNSW（图索引）、PQ（量化索引）。选型考量：召回率、QPS、内存消耗。美团LBS场景用GeoHash+IVF实现地理位置感知检索；腾讯社交场景用HNSW追求高召回。评估指标：Recall@K、P99延迟。参数调优关注nlist、efConstruction、M等。
可能追问 如何进行ANN索引的参数调优？
分步骤回答：① 确定业务指标（Recall@100 ≥ 0.95，P99 ≤ 30ms）；② IVF调nlist（中心数）和nprobe（探针数）；③ HNSW调efConstruction（建图质量）和M（邻居数）；④ 用A/B测试对比召回率与延迟曲线，选择帕累托最优参数。
避坑提醒
不要只列算法名称不说选型逻辑。面试官想听“为什么选HNSW而不是IVF”——从数据规模、实时性、内存限制三个维度展开对比。提到美团需说明GeoHash如何与IVF结合。