短视频推荐是短视频代码实现的一个重点，召回策略可以说是实现短视频推荐的核心，基于内容的召回是短视频代码使用的传统方法。这个方案的优点就是较强的用户独立性，但是也存在很多缺点，比如数据反馈慢、短视频内容分发效率低等。那么除了基于内容的召回，短视频代码还有哪些可以使用的召回方案。

一、基于协同过滤的召回

首先我们了解一下协同过滤，协同过滤可以理解为找相似，短视频代码常用的有UserCF算法和ItemCF算法。UserCF可以根据用户感兴趣的内容，推荐与用户兴趣相似的其他用户感兴趣的内容。ItemCF是根据用户过去感兴趣的物品推荐相似的物品。

短视频可以使用Jaccard公式或者余弦相似度公式进行计算，这是比较传统的协同过滤算法，也可以使用embedding类协同过滤算法。基于协同过滤实现的召回实现的效果明显要好于比基于内容的召回，但是在面对新用户或者新的短视频内容的时候，存在召回能力不足的问题。

因为基于协同过滤的召回实现，需要大量的用户历史行为作为参考，对于出现的新用户或者新内容，没有大量的参考数据，所以很难挖掘用户兴趣。

二、基于FM模型的召回

FM模型的出现，就是为了解决是缺少数据的情况下特征组合的问题，FM特征包括用户相关的特征、Item相关的特征、历史行为数据特征等。短视频代码使用FM模型，可以对特征进行不同的组合来实现召回。

三、新用户冷启动召回

当短视频出现新用户以后，因为新用户没有积累的用户画像信息，短视频系统该怎么为这一类用户推荐短视频呢？这就是需要了解一下新用户冷启动召回。短视频代码可以通过新用户搜索信息、关注信息等内容进行短视频召回，也可以通过在其他业务场景上积累的画像进行内容召回。

除此之外，还能通过一些基础信号的利用、引导用户选择感兴趣的内容、试探用户感兴趣的内容等途径，积累用户画像。

四、新视频冷启动召回

在短视频系统出现一些新内容以后，需要验证新内容是否符合用户兴趣，这时候短视频代码要注意新视频内容投放人群的选择，因为老用户对短视频内容的接受程度更好，应该优先投放老用户，避免新视频内容对新用户的体验造成不良影响。

声明：以上内容为云豹科技作者本人原创，未经作者本人同意，禁止转载，否则将追究相关法律责任m.yunbaokj.com