推荐系统的起点是用户行为数据，包括点击、浏览、收藏、购买等显式与隐式反馈。这些原始日志经过清洗和结构化后，才能成为可用的特征，支撑后续的召回与排序环节。
召回阶段负责从海量物品中快速筛选出数百个候选，常用协同过滤、向量检索或热门兜底策略。它的目标是保证覆盖率和多样性，而不是追求极致精准，因此往往采用多路召回并行。
排序阶段则对候选集做精细打分，利用特征工程和模型预测点击率或转化率。排序模型需要平衡准确性与实时性，常见做法是先粗排再精排，逐层缩小候选规模。
最终结果还要经过重排，考虑多样性、新鲜度和业务规则。理解召回、排序、重排的分工，是搭建推荐系统的第一课，也决定了后续优化的方向。
