粗略来看，推荐算法可以简单地分为召回和排序两个阶段。召回模块负责从海量的物品库里挑选出用户可能感兴趣的物品子集，过滤之后通常返回几百个物品。排序模块负责对召回阶段返回的物品集个性化排序，通常返回几十个物品组成的有序列表。
总结起来，召回和排序有如下特点：
- 召回层：候选集规模大、模型和特征简单、速度快，尽量保证用户感兴趣数据多召回。
- 排序层：候选集不大，目标是保证排序的精准，一般使用复杂和模型和特征。
使用排序模块的三个原因：
- 多路召回的候选集缺乏统一的相关性度量，不同类型的召回物品不可比；
- 召回阶段通常只计算候选物品的相关性，对业务指标（如转化率、dwell time、GMV等）缺乏直接有效的度量；
- 当有多个业务关心的指标时，召回模块通常无能为力。
比如，在电商场景业务通常比较关心总成交额（GMV）这一指标，通过目标拆解：GMV = 流量 × CTR × CVR × price，我们发现流量和price通常不是算法能够控制的，那么算法需要干预的是CTR和CVR，也就是点击率和转化率。我们可以分别训练一个点击率预估模型和一个转化率预估模型，或者只训练一个多目标模型同时建模点击率预估和转化率预估。有了预估的CTR和CVR之后，我们就可以按照如下公式来对候选商品排序：