在海量内容里打捞你的兴趣：解密抖音推荐召回层的工作机制

数智星河

       本文整理自抖音精选公开课《算法专家的抖音推荐说明书》公开内容，聚焦推荐系统最前置环节 ——召回。面对亿级视频池，算法如何在毫秒级完成 “大海捞针”，把潜在感兴趣的内容捞进候选池。

      刷抖音时，每一次上滑刷新，背后是上亿条视频等待被筛选。算法不可能把全部视频拿来做复杂打分。召回就是整个推荐链路的第一轮大规模海选：不求选出最优，只求快速捞出一批有可能你会喜欢的内容，为后续粗排、精排缩小搜索范围。

一、为什么召回是整个推荐的入口关键

短视频平台每天源源不断产生海量新视频，视频库规模可达亿级别。如果把亿级视频全部送入重型深度学习模型做打分，算力开销、响应延迟会完全失控，用户会明显感受到卡顿。
召回的核心目标：

• 速度优先：毫秒级完成筛选，保障刷新体验；
• 保证覆盖面：不能漏掉潜在感兴趣内容，兼顾老内容、新视频、热点、小众兴趣；
• 适度牺牲精度：允许混入部分不匹配内容，后续交给粗排、精排过滤；
• 输出结果：把亿级视频池压缩到约 1000 条候选集，向下游环节交付。
  

简单理解：召回就像海选，先把有潜力的选手全部挑出来，复赛决赛再精细打分淘汰。

二、召回的核心主力：双塔向量模型

抖音召回最核心技术是双塔模型（Dual‑Tower），它把用户、视频全部转化为向量，完成高效匹配。
双塔分为两个独立神经网络：

• 用户塔：读取你的历史行为：浏览序列、点赞、完播、收藏、搜索、关注、停留时长，结合场景信息（时间、地域、网络），输出一组多维用户兴趣向量，相当于算法眼中你的 “数字画像”。
• 视频塔：离线解析视频多模态信息：画面图像、音频、字幕、标题、话题标签、创作者信息，输出视频向量。视频向量大多离线预计算完成，线上不用重复解析视频，节省大量算力抖音。
  

匹配逻辑：将用户向量和海量视频向量做相似度计算（余弦相似度 / 点积），向量空间距离越近，代表兴趣匹配度越高。借助向量数据库 ANN 近似最近邻检索，快速检索出相似度最高的一批视频，不需要遍历全部视频库。

关键优势：视频向量可以离线算好存库；线上只做向量检索，速度极快，支撑高并发请求。

三、不只靠双塔：多路召回协同工作

只靠向量召回会带来问题：容易固化老兴趣，忽视新视频、同好用户喜欢的内容、关注博主新作，陷入信息茧房。抖音采用多路召回并行，结果合并去重，多条线索同时打捞兴趣。
1. 向量召回（双塔）

核心主力，匹配用户长期、短期兴趣向量，找到内容语义相似的视频。
2. 协同过滤召回

不去理解视频内容本身，找和你行为模式高度相似的一批用户，把他们喜欢的内容推荐给你。典型逻辑：“和你很像的人还爱看这些”。
3. 作者 & 关系召回

优先召回你关注博主的新发作品、同领域创作者内容，维护社交关系链路。
4. 类目 & 标签召回

基于你高频浏览品类、搜索关键词标签，召回对应分类下内容，强化显性兴趣。
5. 热点、地域、探索召回

• 热点召回：全网爆款、实时热点事件内容；
• 地域召回：同城本地内容；
• 探索召回：注入一定比例偏离当前兴趣的内容，挖掘潜在新兴趣，对抗信息茧房。
  

多路召回每一路取出部分候选，合并、去重之后，最终产出大约 1000 条候选视频，进入下一环节粗排。
四、召回需要解决哪些现实难题

1. 新视频冷启动

刚上传的视频没有播放互动数据，视频塔只能依靠画面、音频、标题等多模态特征生成向量，靠内容特征进入召回池，拿到初始流量机会，再根据用户反馈迭代后续推荐。
2. 新用户冷启动

新用户没有历史行为，无法生成准确用户向量。召回会优先使用地域、热门、通用兴趣内容做兜底，随着用户不断滑动点击，逐步构建用户向量，推荐慢慢变得个性化。
3. 平衡速度、多样性、新鲜度

• 性能：向量检索、多路多路合并必须控制耗时；
• 新鲜度：保证新视频有机会被捞出来，不能全是老爆款；
• 多样性：单一路召回容易兴趣固化，多路互补拓宽候选范围。
  

4. 超时降级策略

当某一路召回服务延迟、故障时，自动放弃该路结果，切换兜底召回（热门流），保证用户依然可以刷出内容，牺牲局部推荐质量，保障可用性。
五、召回在完整推荐链路中的位置

完整推荐漏斗链路：亿级视频池 →【召回】~1000 条候选 → 粗排 → 精排 → 重排 → 用户最终 Feed 流
召回是整个漏斗的入口。召回阶段没有捞到的视频，几乎没有机会出现在你的推荐页。但召回只负责 “捞出来”，不负责最终排序好坏；1000 条候选里面鱼龙混杂，后续粗排、精排模型会做精细化打分筛选。
六、总结

召回本质是在海量内容里做高效率的兴趣打捞。双塔向量模型负责语义匹配，多路召回负责拓宽候选边界，工程策略解决冷启动、性能、降级问题。它不产出最终结果，但决定了哪些视频能拿到进入后续流程的入场券。
这套召回架构也广泛应用在资讯信息流、电商商品推荐等业务，是工业界推荐系统的标准范式。

延伸思考：不是算法 “读懂你的心思”，而是你的每一次滑动、点赞、划走，持续修改你的用户向量，不断改变召回捞出的候选内容。是你的行为，在不断塑造你的推荐流。