召回

召回

召回：根据用户的属性行为上下文等信息从物品全集中选取其感兴趣的物品作为候选集(即选取用户感兴趣的物品)
召回的意义：相比于对全部商品进行分析推荐会消耗大量服务器资源而且用户不可能对所有商品都感兴趣，故意义在于减少服务器资源消耗，加快推荐响应速度
召回决定了最终推荐的天花板，即决定了最终推荐给用户的商品(而接下来的排序仅仅是改变推荐顺序而已)

召回方法：

1. 基于邻域的：CF、LFM、Personal Rank
2. 基于内容的：Content Based
3. 基于神经网络的：item2vec

另一角度

1. 基于用户行为的(根据用户点击行为)：CF、矩阵分解(LFM)、personal rank
   推荐结果可解释性好，但缺少新颖性
2. 基于user profile的(根据用户喜好标签等)：效果不错但可扩展性较差，用户喜好某类标签但未打上，则很难推荐到该标签的内容，即比较难迁移到其他标签
3. 基于隐语义的：效果及新颖性都不错，但可解释性不强