在推荐系统中，召回模块负责从海量候选集中快速筛选出初步的几千到上万个item，为后续排序提供输入。由于推荐系统通常同时支持用户主动探索（如关注流）和被动接收（如推荐流），召回策略需要针对不同场景进行设计。以下结合多路召回范式，分析关注流召回和推荐流召回的核心机制、差异及优化方向。
关注流召回侧重于用户主动关注的特定源（如用户、频道或话题），其核心是基于用户显式兴趣快速获取相关item。主要方法包括：
- 关注源行为召回：直接利用用户关注列表中的源行为历史（如关注用户的互动记录），通过协同过滤（如userCF）或内容特征（如源标签）构建倒排索引，在线检索时以关注源为触发器快速提取item。
- 实时更新机制：由于关注流强调时效性，常结合流式计算实时更新用户关注源的item队列，确保新内容低延迟进入候选集。
- 冷启动处理：对于新关注源，可引入内容相似度或热度信号作为补充，避免因行为数据不足导致召回失败。
推荐流召回面向用户潜在兴趣挖掘，需兼顾个性化与多样性，通常采用多路召回策略融合多种信号。主要方法包括：
- 个性化召回通路：
- 基于内容的召回：通过item内容特征（如标签、类目）或用户画像（如历史偏好）构建倒排索引，适用于冷启动item，例如利用多模态相似度匹配语义相近内容。
- 基于行为的召回：采用itemCF或userCF算法捕捉用户-物品交互模式，itemCF在item行为密集的场景（如电商）更有效，而userCF适合用户行为丰富且需高实时性的场景（如新闻）。
- 非个性化召回通路：包括热门召回、高效率召回和运营策略召回，用于覆盖大众兴趣或平衡推荐多样性，例如通过时间衰减算法动态调整热门item权重，或结合完播率等效率指标过滤低质内容。
- 混合策略：多路召回结果通过加权或重排序融合，例如将个性化通路与热门通路结合，既保证个性化又避免过度窄化。
关注流与推荐流召回的差异与优化主要体现在以下方面：
- 数据依赖与实时性：关注流召回高度依赖用户显式关注关系，数据稀疏性较低但需强实时性；推荐流召回更依赖隐式行为数据，需处理稀疏性和冷启动问题。
- 模型复杂度与延迟要求：关注流召回可简化模型（如基于规则的热度筛选），优先保证低延迟；推荐流召回需平衡多路通路的精准性与计算开销，例如通过粗排模块分阶段过滤。
- 冷启动与多样性保障：推荐流召回需通过内容特征或运营干预缓解冷启动，关注流召回则可通过关注源热度信号间接解决；多样性可通过混合非个性化通路（如运营榜单）
在推荐系统中，召回是候选集筛选的第一步，目标是从海量内容中快速筛选出可能相关的候选集，为后续排序模块提供输入。1 召回策略需在速度和覆盖度之间权衡，以确保系统低延迟响应的同时不遗漏潜在兴趣内容。2
召回模块通常采用多路召回策略，结合多种方法以平衡效率与效果。例如，基于内容匹配的召回（如标签或知识库）侧重简单扩展，而协同过滤则通过用户-物品交互矩阵挖掘相似性。1 在实际系统中，召回结果会传递给后续阶段（如粗排、精排），逐步优化排序质量。2
在双列信息流（如小红书）中，召回设计需兼顾关注流和推荐流的分发需求。 关注流召回侧重用户主动关注的源（如关注的用户或频道），利用协同过滤或内容匹配捕捉显式兴趣；推荐流召回则通过个性化模型挖掘潜在兴趣，常采用多路召回（如基于内容、基于模型）增强覆盖。3 两者可能共享上游召回链路，但针对不同兴趣信号（如关注行为或交互序列）进行差异化处理，以平衡内容曝光与去中心化目标
双列召回是推荐系统中一种通过并行部署多路差异化召回策略，以平衡效率、多样性和用户兴趣覆盖的工程实践，在快手双列探索feed等强调内容多样性的场景中广泛应用。其核心思想是将不同原理的召回通路（如向量召回、规则召回、多模态召回）的结果融合，既保留单路召回的精准性，又通过通路间的互补性提升整体推荐效果。
技术架构与典型通路
基础构成
双列召回通常包含个性化召回与非个性化召回两大类通路，前者实现“千人千面”，后者保证基础覆盖：- 非个性化通路：如热门召回（基于近7天播放量、点击率等指标）、运营策略召回（人工编辑的排行榜），可离线预计算并缓存结果，适合冷启动场景。
- 个性化通路：如双塔模型（用户-物品向量相似度匹配）、多模态语义召回（融合视觉、文本特征），需实时计算用户兴趣向量并检索候选集。
快手DualGR的创新实践
作为生成式召回的典型案例，DualGR通过双分支长短期路由（DBR）构建差异化召回通路：- 长期兴趣分支：捕捉用户稳定偏好（如音乐类型、内容风格）；
- 短期兴趣分支：追踪实时热点（如突发新闻、流行挑战）；
线上通过波束搜索（Beam Search）合并两分支结果，既避免“单一兴趣刷屏”，又提升多样性。
核心挑战与解决方案
多样性与效率的平衡
- 问题：单路召回易导致内容同质化（如仅推荐同一领域视频），而多路并行可能增加系统延迟。
- 对策：采用“先粗后精”的层级检索（如DualGR的S2D机制），先生成一级类目（如“美食”），再在子序列中生成细分类目，将历史行为长度压缩至原1/8192，同时抑制噪声。
曝光偏差与负反馈利用
- 问题：用户对“曝光未点击”的内容缺乏明确负信号，导致推荐冗余。
- 对策：ENTP-Loss将此类内容视为困难负样本，在训练中惩罚其粗粒度类目，加速低效兴趣“淡出”。实验显示，该机制使快手双列流播放时长提升0.432%。
评估与工程实践
关键指标
- 命中率（HR@K）：衡量召回准确性，DualGR在快手场景中较传统模型提升15%-20%；
- 多样性：通过唯一内容数评估，多模态召回上线后双列流多样性提升19%+
- 效率：单路召回响应时间需控制在10ms内，通常采用ANN（近似最近邻）检索加速向量匹配。
工程落地策略
- 结果融合：采用动态权重分配（如第一路取500条，第二路取300条），并通过去重、过滤规则（如内容质量过滤）优化候选集；
- 冷启动处理：新用户优先启用热门召回与多模态通路，避免依赖稀疏行为数据。
双列召回的本质是通过“分而治之”的策略应对用户兴趣的复杂性，其成功依赖于通路设计的互补性与工程实现的高效性。未来，随着生成式AI的发展，“检索+生成”的混合范式（如DualGR的“搜生结合”）或将成为主流，但如何在百亿级候选池中平衡探索与利用，仍是需要持续探索的课题。
