item|推荐策略产品经理实操（三）：推荐系统与搜索系统的区别——整体逻辑流程对比_

编辑导语：推荐的目的主要在于依据用户行为偏好，为用户推荐可能喜欢的事物；而搜索则是用户出于一定目的进行检索，前者为被动获取，后者为主动获取。具体而言，推荐系统与搜索系统有何差异？本篇文章里，作者从整体逻辑层面对推荐系统与搜索系统的区别进行了总结，一起来看一下。

文章插图
根据我平时接触的推荐和搜索业务，简单地将2个业务的流程进行梳理以及知识点扩展，便于需要的同学能够快速地了解2个系统的基本逻辑。
一、推荐系统逻辑推荐的本质就是为了解决信息过载造成的“选择困难症”，便于用户能够在自己选物之前，系统已经帮用户筛选到了最想要的信息。
以下是我按照用户打开APP进入推荐页面时，推荐系统返回给该用户推荐列表的整体流程：

文章插图
整个流程的重点逻辑主要在召回、排序、重排三层，这一节专门讲这一块，至于AB实验平台上的逻辑，后面会有专门的一节进行AB实验的详解。
1. 召回什么是召回？大多数人都会很快解释：召回是从物料库中获取一小部分物料，这一小部分物料会在后续的环节被模型用来进行打分排序。
这里我们再直白一点理解吧，召回就是捞，给用户推荐的时候，不可能把平台上所有的item都拿出来走模型排序，这样的话计算时间会很长，且资源消耗很大、不合理。这个时候就需要去平台内容库里把最适合用户的item捞出来，这就是我们说的召回。
通常都是从亿万级数据或千万级数据中捞出千百级别的item。召回这一步主要是处理数据量大，需要步骤速度够快、模型不能太复杂且使用特征相对排序少。
当然，召回也是决定个性化推荐的基础，目前来看，召回多数是多路召回（这里可以理解为通过不同限制条件去捞）。
多路召回的好处：

提高召回率和准确率，这里不对这2个名词作解释，可以找相关文章自行查询；
个性化推荐的基础，用户多样性兴趣探索，多元化召回；
保证线上事故发生时还有存余召回兜底，避免推荐接口没有返回的数据；
贴近业务，各业务需求不一样，需要进行融合（广告召回、强插、item冷启动等）。

常见的召回路径（策略都是需要数据支持且与场景强相关的）：
1）协同过滤
基于用户的协同过滤，基于item的协同过滤；简单来说就是喜欢A内容的用户，还喜欢B游戏（这种召回方式比较老，现在很少有公司会用）。
协同过滤和用户及游戏都有关，矩阵，玩过就是1，没玩就是0，没玩过的游戏很多，很多都是0，所以会做矩阵分解：用户矩阵和商品矩阵，每一列就是用户向量或商品向量。
2）word2vec（词向量）
（最早用于NLP中）需要拿到用户的玩游戏序列，每个游戏做one-hot编码，会有一个神经网络模型，输入是A→B→？→D→E，输出是C，或A→B→C→D去预测E。
模型中间的隐藏层就叫词向量，和游戏有关，和用户没关，拿数据的时候和用户有关（向量用法：用户和游戏算相似度：用户A和游戏B向量做相似度计算；用户和用户、游戏和游戏）。
3）内容匹配召回
这一块主要和标签（类别）召回有关，比如：用户玩了王者荣耀，那么可以尝试召回推荐类似王者荣耀的吃鸡游戏，这是基于内容标签的召回；又或者用户玩了植物大战僵尸1，那么也可以尝试推荐植物大战僵尸2/3等，这是基于知识储备的匹配。
4）高热召回（热门召回）
这一路召回主要是新用户用的比较多，新用户刚来APP，拿不到过多的用户信息且没有行为，这种情况下，平台高热召回就起了大作用，用来做新用户冷启动；用户冷启动这里不做过多结束，后面会有专门的一节做介绍。