如何配置I2I召回

第一步：I2I召回技术详解

1. 核心定义与背景

I2I（Item-to-Item）召回是推荐系统的核心组件之一，最早由亚马逊在2003年提出并成功应用于电商推荐。其核心思想是通过建立物品关联图谱，利用用户历史行为中的物品线索进行关联推荐。与传统协同过滤（User-to-Item）不同，I2I聚焦于物品间关系的挖掘，尤其在用户行为稀疏的场景下表现出更强的鲁棒性。

2. 核心价值与应用场景

应用场景	典型示例	优势特性
实时推荐	用户浏览商品A时实时推荐关联商品	低延迟响应（通常<50ms）
长尾挖掘	通过小众商品关联热门商品	突破用户行为局限
跨域推荐	视频平台通过观看记录推荐相关商品	行为模式迁移能力
冷启动缓解	新品通过内容特征关联已有商品	零行为数据下的可解释推荐

3. 与其它召回方式对比

4. 算法架构演进

4.1 传统方法

• 协同过滤（ICF）

  • $$ sim(i,j) = \frac{|U_i \cap U_j|}{\sqrt{|U_i| \cdot |U_j|}} $$
  • 优点：实现简单，可解释性强
  • 痛点：流行度偏差、行为稀疏敏感

• 内容相似度

  • 文本：TF-IDF + Cosine Similarity
  • 图像：CNN特征提取 + L2距离
  • 多模态：CLIP等跨模态编码

4.2 深度学习方法

# 以双塔模型为例的伪代码
item_encoder = DeepNetWork0()  # 物品特征编码器
user_encoder = DeepNetWork1()  # 行为序列编码器

# 在线服务时
item_embeddings = item_encoder(items)  # 预计算存储
user_embedding = user_encoder(history) # 实时计算
scores = dot_product(user_embedding, item_embeddings)

4.3 图神经网络方法

• Node2Vec：通过有偏随机游走捕获复杂关联
• GraphSAGE：邻域采样聚合技术
• HIN(Heterogeneous Information Network)：处理多类型物品关系

5. 实现考量维度

维度	注意事项	优化策略
热度偏差	热门物品主导关联	Swing算法加权抑制
实时更新	新品冷启动问题	在线向量化服务
多模态融合	图文/视频内容差异	动态权重分配
业务适配	电商vs内容平台差异	行业定制损失函数

6. 评估指标体系

• 离线评估：

  • $$ 覆盖率：Coverage = \frac{|推荐物品集合|}{|全量物品集合|} $$
  • 新颖度：用户未接触物品占比
  • 多样性：推荐列表的熵值计算

• 在线评估：

  • CTR（点击率）
  • 转化率
  • 推荐渗透率

7. 经典应用案例

1. 亚马逊"看了又看"模块：基于实时浏览行为的动态I2I
2. Netflix视频推荐：结合观看时长加权的深度I2I
3. Spotify歌单生成：音频特征+协同过滤混合模型

第二步：数据格式化

为了确保数据的规范性和易于处理，建议使用以下格式之一来组织数据：

Excel格式

创建一个Excel文件并包含以下字段：

• key: 物料id。
• item: 物料名称或ID。
• rank: 物料的热门级别，数值越小表示越热门。

示例表格：

key	item	rank
物料1	物料2	1
物料1	物料3	2
物料1	物料5	3
物料2	物料4	1
物料2	物料3	2
物料2	物料1	3

JSON格式

如果更倾向于使用JSON格式，数据结构应如下所示：

{
    "物料1": ["物料4", "物料2", "物料3"],
    "物料2": ["物料3", "物料1", "物料5"],
    "物料3": ["物料1", "物料7", "物料11"],
    "物料4": ["物料3", "物料5", "物料6"]
}

上传数据文件

1. 登录RecGo平台: 使用您的账号登录RecGo平台的网页界面。

2. 上传文件: 导航至数据上传页面，将准备好的Excel或JSON文件上传。

3. 获取resource-id: 上传成功后，系统将为该文件生成一个唯一的resource-id，用于后续的召回配置。

第三步：配置召回

完成数据准备后，接下来是配置召回策略。确保您的用户数据中包含用户主动行为信息，例如用户主动点击行为序列u_r_click，以便于进行精确召回。

配置文件设置

在RecGo平台的配置文件中，按照以下格式进行召回设置：

[[Pipeline.Recall]]
name = "i2i-v1"     # 配置名称，用于标识当前版本
resource = "resource-id"    # 使用之前获取的文件资源编号
recall_type = 0             # 标识召回策略的类型（0表示特定策略）
template = "{u_r_click}"      # 使用用户分类特征作为模板参数
keys = 20                   # 设定特征组合的维度数量
count = 100                 # 设置单次召回的最大物料数量

提交配置

1. 检查配置: 仔细检查配置文件各参数，确保设置正确无误。

2. 提交配置: 保存并提交配置以应用召回策略。

通过这些步骤，您将能够成功配置i2i召回功能，提高用户的内容推荐体验。