广告系统中的召回方式多样，各有千秋：规则召回稳定兜底，协同过滤经典实用，双塔向量则凭借深度学习成为个性化推荐的主力。
在广告系统的世界里，召回是地基，排序是上层建筑，而召回的核心目标，是从百万级广告池中快速筛出高质量候选集，快、全、准缺一不可。
做广告、推荐算法的同学都知道：召回是整个广告系统的地基。排序精不精细，决定点击率上限；但召回好不好，直接决定流量天花板。召回阶段的核心目标只有一个：从百万级广告池中，用极低耗时（RTB 百毫秒级），筛出千级高质量候选集，快、全、准缺一不可。
召回负责“广撒网”，排序负责“精捕鱼”。
一、规则召回：所有广告系统的「保底基石」
核心原理：基于业务硬规则、标签匹配、定向条件做精准筛选，无模型、无机器学习，纯逻辑匹配。
典型逻辑：用户性别/年龄/地域/兴趣标签 → 匹配广告定向人群、类目、关键词，比如「25 岁一线城市男性，召回数码、汽车类广告」。
优点
- 绝对稳定、可解释性 100%，无黑盒问题，方便业务排查
- 彻底解决冷启动，新用户、新广告无行为数据也能正常召回
- 耗时极低、运维简单，适配所有流量场景
缺点
- 只能匹配显性、已知兴趣，完全挖掘不到用户隐性偏好
- 拓展性极差，极易同质化，流量利用率低
- 依赖人工配置规则，人力成本高，无法适配复杂个性化场景
落地定位：全场景兜底召回，保证流量不空置。
二、经典的协同过滤：人以群分，物以类聚
协同过滤（Collaborative Filtering）算法在 1992 年诞生，是推荐、广告领域最经典的无监督召回算法，至今仍是各大广告平台的基础兜底策略。CF 完全依托用户行为数据挖掘兴趣，无需依赖广告内容特征。
下图用 User-CF 举例，用户 E 对四个商品的偏好和 B 最相似（余弦相似度最高），B 对书籍不喜欢，所以认为 E 也不喜欢书籍
余弦相似度计算
优点
- 不需要用户、广告物料特征
仅依靠用户对广告的点击、曝光、转化行为即可计算相似度，不用解析文案、图片、标签、用户画像，省去特征工程。 - 架构简单，上线和维护成本低
无复杂模型结构，仅做相似度矩阵计算，推理速度快。
缺点
- 新用户、新广告完全无法召回
必须有历史行为交互数据才能计算相似度，零行为样本无任何关联依据，直接失效。 - 内容高度同质化，易形成信息茧房
始终推荐和历史行为最相似的广告，不断强化单一偏好，缺少差异化候选。 - 数据稀疏场景下效果大幅下滑
大部分用户点击行为极少，交互矩阵过于稀疏，相似度计算失真，召回精准度暴跌。 - 无法利用物料先验信息，泛化能力弱
不理解广告本身内容属性，不能根据广告标题、类目、人群定向做逻辑兜底，场景迁移能力差。
三、双塔向量召回：工业界当前「主流顶梁柱」
DSSM（Deep Structured Semantic Models）也叫深度语义匹配模型，最早是微软 2013 年发表的一篇应用于 NLP 领域中计算语义相似度任务的文章。
user 侧一个塔，item 侧一个塔。user 侧特征和 item 侧特征分别经过各自的 DNN（Deep Neural Networks）后得到 user embedding 和 item embedding（要保证维度相同）
深度学习双分支建模，用户塔 + 广告塔分别编码向量，通过向量相似度做召回。 用户塔：编码用户画像、历史行为、上下文、场景特征；广告塔：编码广告类目、图文、统计、标签特征，最终向量空间近邻匹配召回。
计算两个语义向量的 cos 距离来表示语义相似度
优点
- 融合全方位特征：同时利用行为、内容、画像、场景信息，表达能力远超规则、CF
- 缓解数据稀疏问题，长尾用户、长尾广告召回效果显著提升
- 向量检索高效，适配百万级广告池，兼顾精度和速度
缺点
- 依旧依赖历史行为数据，纯新用户、纯新广告冷启动仍弱势
- 向量黑盒、可解释性差，业务调优、问题排查难度大
- 模型训练、特征工程成本高，迭代周期长
落地定位：广告系统核心主力召回，承接大部分个性化流量，是平衡精度和覆盖度的最优解。
以上三种召回方式，各自有不可替代的业务定位，没有哪一种算法能够单独撑起广告召回全场景。
规则召回守住流量底线，保证新用户、新广告不会出现无内容可推的情况；协同过滤依靠用户行为共现关系，低成本挖掘群体共性偏好；双塔向量召回凭借深度学习强大的特征融合能力，成为个性化推荐的核心主力。
其他常见的召回还有内容/语义召回：解决「语义相似、字面不同」匹配问题。生成式召回：彻底颠覆传统「检索式召回」逻辑，传统方式是「从存量广告池中找匹配项」，生成式召回是模型直接生成用户当下最需要的广告特征，再回池匹配相似物料。