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( 二 )_

5）基于上下文的召回
这个和用户在APP发生行为的时间、地点等场景有关系，例如游戏推荐在白天碎片休息时间推荐小游戏，在晚上休息时间推荐大游戏、游戏时长较长的游戏等；在其他垂类上体现的话，就像打车垂类对于用户位置信息的敏感，用户刷新闻的时间等等。
6）级联召回
一般的召回是用户点击做正样本，级联是用精排排在前面的游戏做正样本，排在后面的做负样本，做召回模型的正负样本。
7）其他召回
根据业务需求，还会有其他召回，且每路召回的数量也有差异，例如为了让新用户快速留下来，新用户高热召回占比较大，但老用户的话，为了挖掘用户兴趣多样化，高热召回占比会相对小一点。
召回层也是有模型的，尤其是做电商业务，召回的模型会更复杂。
2. 排序——粗排/精排粗排和精排，都是排序，一个需要快速排序尽量去掉错误召回，一个需要贴合用户和业务需求精细准确排序。
粗排在召回和精排之间，一般需求从召回回来的万/千级别item集合中选择出千/百级别更符合业务需求的item送到精排层。平台内容少时，几乎很少会做粗排这一步，因为粗排最大的作用就是快速计算并截断召回量，使召回数据更准更适合推给用户，一般粗排需要在20ms内完成打分。
如果没有粗排模型，也可以在召回层和精排层用一些策略进行数量截断进精排，也是一种粗排手段，例如用点击转化率进行截断。
精排处理数据量少，需要模型做到更准确，通常会上一些复杂模型以及使用较多特征。
粗排和精排层可以是一个模型打分，也可以是多个模型打分融合再进行排序，多数业务需求情况下多数都是多个模型，根据业务需求，模型的目标不一样，但基本上都会有点击模型（ctr）。
下面就单独就点击模型来讲一下模型是怎么打分排序的，讲排序之前需要先知道2个概念——label和features，这2个数据，是ctr模型的主要训练数据。
label：用ctr模型举例，每个模型都有label（模型的预测目标），ctr模型的label就是用户对当下曝光的item有没有点击行为，有曝光点击就为正样本，label=1，有曝光无点击则为负样本，label=0。
features：就是特征。特征主要分为3类：用户特征、item特征、用户和item的交叉特征。

用户特征：用户本身的特征，例如年龄、性别、地理位置等、登录设备（iOS/Android）；
item特征：item本身的特征，例如标签、物品ID、天级点击次数、评论量、热门排名等；
用户特征和item的交叉特征：例如item天级的点击次数、周级点击人数、天级曝光次数等。

可以看出，features是我们在推荐系统都能够收集到的数据，其中有离散型特征（例如男女、分类、整数等），也有连续型特征（例如点击率、自然数）。
在计算机只能处理数字编码的前提下，将这些信息进行编码转化，大多数推荐系统对于离散型特征多使用one-hot或embedding，对于连续性特征可以不用处理，或者先分段离散化，再使用one-hot编码。
（大多数公司使用离散型特征的较多，连续型特征使用较少，有时连续型特征也会做分桶处理——分段，其实就是变相地处理成离散型数据。）
*注，one-hot编码会将特征处理为[0 0 0 0 1]，embedding会将特征处理为[0.2 0.4 0.6 0.8]
在明确了 features 和 label 的定义之后，会构造对应的训练样本：