推荐系统通常分召回和排序两阶段。召回从海量物品中快速筛出数百个候选，追求覆盖和效率，不追求极致精度。召回漏掉的好物品，后续排序再强也无法弥补。
协同过滤召回基于用户或物品的相似性，利用行为共现找候选，实现简单、可解释，但对新用户新物品效果差，存在流行度偏置。
向量召回把用户和物品映射到同一空间，用近似最近邻检索找 TopK。双塔模型是主流实现，用户塔和物品塔分别编码，线上可预计算物品向量，延迟可控。
多路召回是工业界常态：协同过滤、向量、热门、地域、规则各出一路，合并去重后送入排序。多路能互补覆盖，但要控制各路配额和重复率。
召回评估看命中率和覆盖率，用离线模拟或线上实验衡量。召回数量要权衡延迟与效果，并非越多越好。多路融合的权重应可配置并持续调优。
