1樓：厚德載物丶
首先，這個問題應該建立在召回數量在之後的粗排，精排能夠承受的前提下。
那麼，目前有幾個想法，最開始就是根據某個指標，拍腦袋決定每個路召回個數；
接下來，就可以考慮召回數量個性化，可以把當個特徵，或者用類似強化學習的思路，學習K值，這個群組喜歡哪路多一些，就多召回一些。
再後來有什麼方案，期待後面大佬補充
2樓：劉峰
總召回數量，取決於線上系統能承受多大的量，原則上當然是召回越多越好，但後續排序所需要考慮的候選也會相應增多，計算量增大，所以總召回量需要在效果指標和服務耗時上做折衷。
每路召回的數量，取決於每路召回的價值有多大，這個價值包含兩方面：
第乙個是獨有價值：如果該路召回結果能被其他召回所覆蓋，那麼這路召回不要也罷，因為沒有任何獨有價值。所以，獨有價值小的召回，召回量可以較少，不應該占用太多召回的quota。
第二個是效果價值：單獨統計每路召回的ctr、時長等指標，看看是否比其他路召回更有優勢，優勢越大召回量也應該應該越大。
推薦系統的召回集補全策略有哪些，在精確性和多樣性方面如何權衡？
往事俱沉暮雨瀟瀟 召回策略有很多，覆蓋很多方面。所謂召回補全還是第一次見到，並不請楚你想補全的是哪方面。常見的召回策略有 新熱召回 標籤召回 trigger觸發召回 embedding 召回 swing I2I 馬爾科夫召回等等。還有一些根據其他模型計算的U2I作為召回結果，常見的有用協同過濾做的，...
推薦系統中如何做 User Embedding？
朱果汁 社交網路領域會用到很多對user進行embedding的方法，需要使用者與使用者之間的關聯資訊 比如共同參與活動或者是互相關注 生成使用者的網路以後來進行embedding。 Louis 1.根據pretrain的item的embed，weighted pooling user的embed ...
推薦系統或者ctr預估中，如何區分或者如何定義高頻低頻特徵 有通用的閾值區分嗎？
失落的薩特 問題中的頻率的定義是什麼。比如在樣本中出現的次數？特徵非空非零值的覆蓋度？還是對於正負樣本的區分度？比如實際情況會考慮的，乙個是特徵的覆蓋度，即非空非零的樣本比例，如果覆蓋度太低那麼這個特徵對於大部分樣本的學習沒有任何幫助 乙個是這個特徵的區分度，即這個特徵能不能把待排序的樣本區分開來。...