導讀： 召回幾乎是所有推薦系統的基礎模塊，對應到電商的推薦中，它的作用是從海量的商品池中，篩選出一部分用戶可能感興趣的商品作爲上層排序系統的候選集。因此，可以說召回效果的好壞直接決定了推薦效果的上界。
常見的有基於user profile的召回，基於協同過濾的召回，還有最近比較流程的基於embedding向量相似度的topN召回等等。方法大家都知道，但具體問題具體分析，對應到旅行場景中這些方法都面臨着種種挑戰。例如：旅行用戶需求週期長，行爲稀疏導致訓練不足；行爲興趣點發散導致效果相關性較差；冷啓動用戶多導致整體召回不足，並且熱門現象嚴重；同時，具備旅行特色的召回如何滿足，例如：針對有明確行程的用戶如何精準召回，差旅用戶的週期性復購需求如何識別並召回等。
本次分享將介紹在飛豬旅行場景下，是如何針對這些問題進行優化並提升效果的。主要內容包括：⻜豬旅行場景召回問題、冷啓動用戶的召回、行程的表達與召回、基於用戶行爲的召回、週期性復購的召回。
01 飛豬旅行場景召回問題
1. 推薦系統流程
首先介紹推薦的整體流程。整體上分爲5個階段。從全量的商品池開始，之後依此是召回階段，粗排/精排階段，最後的混排模塊根據業務實際情況而定，並不是大多數推薦系統必須的。粗排和精排在另外一次分享中已經介紹過了，本次分享主要介紹一下飛豬推薦系統的召回問題，召回可以說決定了推薦系統效果的上限。
原文鏈接:【https://www.infoq.cn/article/qfl1NxCxHuXV723iMb7v】。未經作者許可，禁止轉載。