我们搭建了基于知识图谱的异构召回模型。该方法以知识图谱给出的“先验”关系信息，将文章feature与用户feature做关联，构建出一个同时包括用户特征又包括文章的特征的异构网络，通过图谱异构网络的表示学习，得到异构节点的向量（user profile feature与doc feature）。
已经有相关理论支持，可以得到特征之间的独立性与向量的加和性，从而实现在特征匮乏情况下，不会过渡依赖单一用户需求或内容画像特征进行召回，对合并后的向量相关性计算召回与该用户最相关文章。
2）试探（兴趣试探/内容试探）
解决两类问题，拓宽用户的兴趣面，减少发现优质内容的周期。试探能力需要打通整个推荐系统的绿色pass通路，允许内容或兴趣召回可以全链路走特殊通路：包括：数据通路，模型通路，定制召回/排序/混排模型等能力。
我们召回通过设计两类试探策略，解决上述问题：
兴趣试探：我们系统中通过：跨域用户兴趣试探，中长尾闭集合兴趣试探，全集合兴趣试探模型三类策略就行兴趣试探。并建设了一套以用户需求的试探成功率，试探标签的有点率，点击率衡量试探效果的实验体系，可以闭环的验证链路效果。
内容试探：我们设计了：内容质量识别（离线），运营系统（旁路），流量预估（在线），内容投放目标性识别（在线）来投放与优化投放效果，通过全链路的对内容标签修订，试探投放，日志模型定制化，迁移学习，上线后以ABTest中以新内容系统获取曝光后的试探内容点击率，试探成功率，试探多样性衡量闭环效果。
4. 深度模型召回
下文对这部分工作进行概要介绍，按类别我们将模型召回分为四类：
五、深度模型召回召回是处于推荐业务的底层位置，首先，处理数据规模相比上层排序要大几个数量级，其次，要求准确的同时，兼顾多种业务和用户体验目标，例如：多样性，社交，时长，负反馈，分享等等。在诸多限制下，模型召回系统会着重解决几个问题：
- 候选数据规模大；对模型性能要求高；
- user-item 交叉类特征算法，由于召回的检索逻辑限制，这类算法支持不友好；
- 底层数据种类繁多，模型需要具备很强的自适应能力；
- 解决：多样性与精确性的两难选择；
- 模型实时性问题增量模型；
- 用户/内容冷启的召回问题；
- 横向业务演化阶段，模型如何快速孵化新业务，即迁移能力。
