召回与排序：图召回（GNN推荐）

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

双塔模型局限

相亲角里，用户举着“爱看悬疑小说、周末爬山”的喜好牌，物品举着“某本书，评分 4.7”的招牌。红娘只看牌子像不像——牌子没写“我朋友喜欢什么”，她便永远不知道你们其实很合拍。双塔召回模型就是这位红娘，它撑起了整个推荐系统的第一道大门。

在推荐系统里，双塔召回是出场率最高的模型：用户塔把历史行为压缩成一个向量 $e_u$，物品塔把属性编码成向量 $e_i$，最后用内积算匹配分。它高效、易扩展，几十亿物品靠向量索引也能秒级检索，所以至今仍是工业标配。但结构决定能力——用户和物品只在最后一层“对一次牌”，全程没有信息往来，因此它只能建模“直接交互”。

训练时，双塔靠正负样本把用户向量和“点过的物品”拉近、和“没点过的物品”推远。问题在于：用户没点过 B，不代表他不喜欢 B——B 可能是“点了 A 的人最常买的第二件”。双塔看不到 A 与 B 之间的间接关联，两者的内积被压得很低，B 压根进不了候选集。这个公式里只有一对向量、一次内积，这就是双塔的全部“缘分”：

相亲角撮合不了“朋友介绍”的缘分，因为牌子上没写朋友的名字。要发现这种缘分，得换一张地图来看——不看牌子，看整张关系网。

交互图构建

好在物业有一本“拜访记录簿”：谁几点去了哪家店，记得清清楚楚。图召回的第一步，就是把簿子画成一张网——住户是圆点，店铺是方块，一次拜访就画一条连边。这张网，就是用户-物品交互图，也是图神经网络（GNN）眼里的“小区地图”。

数学上，这张网叫“二部图”：顶点分成用户集合和物品集合两类，边只存在于用户和物品之间，不存在“用户连用户”或“物品连物品”的边。日志里的点击、加购、购买都能变成边，还可以按行为类型给边加权——购买权重高于点击，让“真金白银”更有发言权。

有了图，就要把它“喂”进矩阵。邻接矩阵 A 的每个元素记录两个节点之间是否有边（或边权）。为了让热门节点不“霸麦”，还要做对称归一化：用两端度数的平方根倒数缩放。这一步直接对应后面传播公式里的归一化系数，是防止“爆款店淹没小众店”的关键。

拜访记录簿画出来的网越接近真实社区，小道消息传得就越准。这张网，是整个口碑传播的地基。

邻居采样聚合

想了解新邻居的口味，你不会敲遍全楼五百户的门，而是挑两三户最熟的人家打听。GNN 的“邻居采样”就是这个思路：从邻居里随机挑固定个数，把“打听”的成本管住。

二部图里，爆款店铺可能有几十万邻居用户，全量聚合在算力上不可行。采样让每个节点每层只保留 k 个邻居（常见 10~20 个），配合 mini-batch 训练，图模型才能扩展到亿级节点。这也是 GraphSAGE 的核心贡献之一——先采样，再聚合。

采样之后是聚合。聚合函数要把一堆邻居向量“拧成一股绳”：均值聚合做简单平均；求和聚合对度数敏感；注意力聚合给重要邻居更高的权重。聚合结果再乘一个可学习矩阵并过激活函数，得到节点的新表示，公式如下：

向两三户人家打听，综合意见后再做决定——“采样 + 聚合 + 变换”正是口碑传播最经济的样子。

多层传播机制

口碑不会只传一圈。你问邻居，邻居的话也是从朋友那里听来的；消息经过“邻居的朋友的邻居”，一圈圈传到你这里，越传越丰富，也可能越传越变味。GNN 的每一层，就是口碑传一圈。

第 0 层表示是节点自己的初始嵌入。第 1 层聚合一跳邻居；第 2 层在“邻居的邻居”上再聚合……经过 K 层传播，节点表示就“看见”了 K 跳之内的整片社区。这个跨越多跳汇总出的信号，正是论文里反复出现的“高阶协同信号”：它让“甲→B 店→乙→C 店”这样的四段关系也能参与打分。

具体传播常用归一化加权求和（LightGCN 风格）：第 k+1 层表示 = 所有一跳邻居第 k 层表示的加权和，权重是两端度数乘积开根号的倒数。度数越高的节点，“发言”被稀释得越多，避免全网被爆款带偏。

社会经验告诉我们，传话超过三圈就严重失真——图上同样如此：层数一多，所有节点表示趋于一致，这叫“过平滑”。因此落地时一般只用 2~3 层传播，信息够丰富，又不至于变味。

图卷积变体

同一个小区，打听消息的流派五花八门：保守派只信铁哥们的意见（GraphSAGE 采样聚合）；学院派把整条街都拉来开会、人人发言加权平均（GCN 全邻居卷积）；还有一群极简主义者说“别整花活，直接听结论”——这就是 LightGCN。

GCN 把邻居信息做线性变换后再加非线性激活，理论优美，但训练开销大；GraphSAGE 主打“采样 + 多种聚合器”，面向大规模图；NGCF 在消息里再塞一道“特征交叉”。而 LightGCN 通过实验发现：在协同过滤场景下，非线性激活和特征变换几乎帮倒忙，去掉它们，只用纯线性传播，效果反而更好、更稳。

LightGCN 的最终表示，是把第 0 层到第 K 层的所有表示加权求和。权重可以固定为平均，也可以通过训练学习。这相当于把“每一圈听到的口碑”都记在心里，而不是只听最后一圈：

各流派都在回答同一个问题：口碑怎么传最准？在“以关系为主”的召回场景里，把简单做到底的 LightGCN，往往就是小区里人缘最好的那一个——这也是后面工业实践的主角。

冷启动与长尾

新住户刚搬来，拜访记录簿上一片空白。传统双塔只能对他“闭眼推热门”。图召回却不同：只要新住户还有哪怕一两条交互，他就已经挂在网上，邻居们的消息照样会涌向他——这就是“冷启动友好”。

长尾物品同理。巷子深处的手工皮具店，总顾客也许只有两百人，但在两百人的小圈子里口碑极好。图召回让它的向量从这两百个熟客身上“借光”，熟客再通过一跳交互，把皮具店带进更多相似用户的候选集。比起只看“买了 A 还买 B”的 ItemCF，GNN 的两三跳信号能触及更远、更精准的人群。

有了传播后的表示，召回打分就落在“向量相似度”上。两个物品的余弦相似度越接近 1，说明它们在图上共享的口碑圈越重合。对冷启动用户而言，他点过的哪怕只有一件物品，也能顺着相似物品链摸到想买的东西。

小区最珍贵的不是广场上的大超市，而是那些靠口碑活着的小店。图召回让“酒香不怕巷子深”第一次在大规模系统里成为现实。

工业落地实践

口碑网要在几百万人的小区里真正运转，需要一整套“物业体系”：有人把拜访记录簿整理成网（离线构图），有人给每个住户画一张像（产出嵌入），有人把画像按街区索引好（向量索引），有人守在门口回答“你该去哪家店”（在线服务），最后还要统计问路的满不满意（评估）。

离线阶段从日志和特征仓库抽取交互，增量构建二部图，用“采样 + mini-batch”训练 LightGCN 等模型，产出用户与物品嵌入。这些嵌入会推送到 FAISS 或 HNSW 这类近邻索引中，支撑几十亿向量的近似检索。

在线阶段，用户请求一到，取出他的嵌入，在索引里做 ANN 搜索，一次性捞回 Top-K 个候选物品交给精排。对新用户，还可以临时把他的邻居嵌入“拉一把”做暖启动。效果评估先离线看召回指标，再上 A/B 实验验证线上指标：

从“记录簿”到“问路摊”，这套流水线让图召回真正从论文走进现实。它通常与双塔模型组成混合召回——一个管广度、一个管深度，共同守住推荐系统的大门。

AI 应用场景

Python 演示

import numpy as np np.random.seed(42) # ---- 小区交互图: 3 个用户(甲/乙/丙), 4 家店(A/B/C/D) ----NUM_U, NUM_I = 3, 4EDGES = [(0, 0), (0, 1), (1, 1), (1, 2), (2, 2), (2, 3)]DIM, LAYERS, LR, EPOCHS = 8, 2, 0.05, 100TRIPLES = [(0, 0, 2), (0, 1, 3), (1, 1, 0), (1, 2, 3), (2, 2, 0), (2, 3, 1)]  def build_adj():    n = NUM_U + NUM_I    A = np.zeros((n, n))    for u, i in EDGES:        A[u, NUM_U + i] = 1.0        A[NUM_U + i, u] = 1.0    deg = A.sum(axis=1)    d_inv = np.where(deg > 0, np.power(deg, -0.5), 0.0)    return A * np.outer(d_inv, d_inv)  # 对称归一化邻接矩阵  A_norm = build_adj()  def propagate(E):    """LightGCN 式传播: 每层沿图扩散一跳, 最后取各层平均"""    layers = [E]    for _ in range(LAYERS):        layers.append(A_norm @ layers[-1])    return np.mean(layers, axis=0)  def sigmoid(x):    return 1.0 / (1.0 + np.exp(-np.clip(x, -20, 20)))  E = np.random.randn(NUM_U + NUM_I, DIM) * 0.1for epoch in range(EPOCHS):    total_loss = 0.0    for u, i_pos, i_neg in TRIPLES:        H = propagate(E)                     # 传播后的全部节点表示        a = float(H[u] @ H[NUM_U + i_pos])   # 正样本得分        b = float(H[u] @ H[NUM_U + i_neg])   # 负样本得分        total_loss += -np.log(sigmoid(a - b))  # BPR 损失        s = sigmoid(b - a)                   # BPR 梯度系数(教学简化版)        E[u] += LR * s * (E[NUM_U + i_pos] - E[NUM_U + i_neg])        E[NUM_U + i_pos] += LR * s * E[u]        E[NUM_U + i_neg] -= LR * s * E[u]    if epoch % 20 == 0:        print(f"epoch {epoch:3d}  loss={total_loss:.4f}") # ---- 召回: 给用户甲(索引 0)输出 Top-2 店铺 ----H = propagate(E)scores = [float(H[0] @ H[NUM_U + i]) for i in range(NUM_I)]top2 = sorted(range(NUM_I), key=lambda i: scores[i], reverse=True)[:2]print("用户甲的 Top-2 推荐店铺:", top2, "得分:", [round(scores[i], 3) for i in top2])

1. A[u, NUM_U + i] = 1.0把“用户 u 逛过物品 i”记进邻接矩阵，这是把拜访记录簿画成图的关键一步。
2. return A * np.outer(d_inv, d_inv)对称归一化，对应公式里的 1/sqrt(|N(u)||N(v)|)，防止爆款店霸麦。
3. layers.append(A_norm @ layers[-1])矩阵乘法就是消息沿边传播一跳，每循环一次多传一圈口碑。
4. return np.mean(layers, axis=0)各层表示取平均，等价于 LightGCN 的 alpha_k=1/(K+1) 固定权重。
5. total_loss += -np.log(sigmoid(a - b))BPR 损失：正样本得分要比负样本高，差得越多损失越小。
6. s = sigmoid(b - a)梯度系数：模型越自信（a-b 很大），这次更新的力度越小。
7. E[u] += LR * s * (E[NUM_U + i_pos] - E[NUM_U + i_neg])把用户向量往正样本方向拉、往负样本方向推。
8. top2 = sorted(range(NUM_I), key=lambda i: scores[i], reverse=True)[:2]按相似度排序取前 2，就是召回 Top-K。

常见误区

面试题