召回通道

• ItemCF召回（不适用)
• 双塔模型（改造后适用）
• 类目、关键词召回（适用）
• 聚类召回（适用）
• Look-Alike召回（适用）

ID Embedding

改进方案1：新笔记使用 default embeddingo

• 物品塔做ID embedding 时，让所有新笔记共享一个ID，而不是用自己真正的ID。
• Default embedding：共享的 ID 对应的 embedding向量。
• 到下次模型训练的时候，新笔记才有自己的ID embedding 向量。

改进方案2：利用相似笔记embedding向量。

• 查找topk内容最相似的高曝笔记。
• 把k个高曝笔记的embedding向量取平均，作为新笔记的embedding

多个向量召回池

• 多个召回池，让新笔记有更多曝光机会。
  • 1小时新笔记，
  • 6小时新笔记，
  • 24小时新笔记
  • 30天笔记
• 共享同一个双塔模型，那么多个召回池不增加训练的代价。

基于类目的召回

• 系统维护类目索引：
  • 类目→笔记列表（按时间倒排）
• 用类目索引做召回：
  • 用户画像→类目→笔记列表
• 取回笔记列表上前k篇笔记（即最新的k篇）

基于关键词的召回

• 系统维护关键词索引：
  • 关键词→笔记列表（按时间倒排）
• 根据用户画像上的关键词做召回。

缺点

• 缺点1：只对刚刚发布的新笔记有效。
  • 取回某类目/关键词下最新的k篇笔记
  • 发布几小时之后，就再没有机会被召回
• 缺点2：弱个性化，不够精准。