1 召回的基本定义
召回（Recall）是信息检索、信息过滤与机器学习中常用的评价指标之一，用来衡量“系统把该找出的相关结果找回了多少”。其核心思想是以某个“应该被检索到的相关集合”为参照，计算其中被命中的比例。直观上，召回回答的是：在所有确认为相关的样本里，检索系统实际找到了多大一部分。
1.1 召回在信息检索中的含义
在信息检索任务中，通常会先确定“相关”的含义，例如与查询意图一致、满足某类标签条件或由标注判定为相关。召回衡量检索系统对这些相关结果的覆盖程度。若系统漏掉了大量原本相关的文档（即命中数量偏少），召回就会下降；反之，如果系统能够找回大多数相关文档，召回则较高。
1.2 数学形式与符号约定
在最常见的二元相关场景下，可用混淆计数来表示：令
- 真正例（True Positive, TP）：被系统检索且判定为相关的结果；
- 假负例（False Negative, FN）：系统未检索到但判定为相关的结果。
则召回定义为 Recall = TP / (TP + FN)。 分母即“应被找出的相关结果总量”，因此该比值刻画了命中占比。
在信息检索的符号体系里，常将“全量相关集合”记为 \(R\)，将系统在某种召回范围内命中的相关结果记为 \(R_{hit}\)，则召回也可写作
| **Recall = | R_{hit} | / | R | **。 |
|---|
二者在概念上等价，只是符号与实现口径略有差异。
1.3 与精确率的对比关系
召回与精确率（Precision）对应的是不同维度的“好坏”：
- 精确率关注“找回来的里面，有多少是相关的”；
- 召回关注“所有相关的里面，有多少被找回”。
因此二者往往呈现权衡：系统为了提高召回，可能会扩大检索范围、放宽筛选条件，从而引入更多不相关结果，精确率可能随之降低；反之，提高精确率往往会收紧筛选，使召回下降。这种互补关系使得在评估时需要同时观察多项指标，避免只凭单一数值得出片面结论。
1.4 召回随阈值/Top-k变化的直观解释
在实际系统中，召回会随候选集的大小与筛选力度变化。常见控制变量包括评分阈值与 Top-k 截断：
- 当阈值降低或 Top-k 变大时，系统更倾向于“多捞一些候选”，因此命中相关结果的概率上升，召回通常提高；
- 当阈值升高或 Top-k 变小时，系统更“保守”，可能减少不相关命中，但会增加遗漏相关结果的风险，召回往往下降。
这种变化规律为工程调参提供了直观参照：例如在资源有限的情况下，需要在召回与计算成本之间取得平衡。
2 召回的计算与实现口径
召回的计算并非只看公式本身，更关键在于“相关集合”的定义，以及系统输出范围（全量、Top-k、或某一阈值下的候选集合）。不同口径会导致同一模型在不同评测设置中得到不同结果，因此必须清楚说明测量条件。
2.1 相关性集合（Ground Truth）如何获得
相关集合通常来自标注数据、规则生成或历史交互信号的推断。常见来源包括：
- 人工标注：对查询—文档对进行相关性判定；
- 标注扩展：利用相似查询、弱监督模型或日志补充；
- 规则/知识库：在特定场景下用约束表达“相关”的定义。
需要注意的是，召回的上限受限于标注覆盖：若相关集合不完整，即存在漏标，系统即使找到了“真实相关但未被标注为相关”的结果，也可能无法被计入 TP，从而影响召回的客观性。
2.2 二元相关：相关/不相关的判定
在二元相关定义下，每个候选结果要么被认为相关（属于 \(R\)），要么不相关（不属于 \(R\)）。此时召回计算较直接：系统命中的相关数量与相关总量之比。二元口径的优点是实现简单、解释清晰；缺点是对“强相关/弱相关”的差异表达不足，可能导致评价粒度较粗。
2.3 多等级相关：从二值到评分的处理
在一些更精细的体系中，相关性可能分为多个等级，例如“完全相关、部分相关、弱相关、不相关”。此时常见处理方式包括：
- 设定阈值：将等级高于某标准视为“相关”，其余视为“非相关”，回到二元召回；
- 采用加权或归一化：将不同等级按权重计入命中贡献，但仍需明确分母与归一方式；
- 与排序评测结合：在排序层面通常使用其他指标（如 NDCG、MAP 等），而召回可以作为候选覆盖的辅助指标。
多等级口径的关键在于：要清楚“哪些等级进入召回的分子/分母”，否则难以保证指标一致性。
2.4 Top-k召回与全量召回的区别
全量召回通常指在系统输出“全部可用结果”时的覆盖情况；而 Top-k 召回指只考虑系统返回前 k 个结果中的相关命中。二者区别在于系统输出的边界：
- 全量召回衡量“模型潜在检索能力”在无限输出下的覆盖；
- Top-k 召回反映“实际可见结果”层面的覆盖，通常更贴近用户体验与下游计算限制。
在很多真实场景中，全量输出并不现实，因此 Top-k 召回常用于衡量“系统在有限预算下能找回多少相关内容”。
3 召回在检索系统中的应用
在工程实践中，召回不仅是离线指标，也常被用作系统设计的目标之一，尤其在“先找候选、再精排”的架构里，它更像是保证覆盖的基础阀门。
3.1 候选召回与重排序：工程分工
典型检索系统往往采用两阶段流程： 1) 候选召回（retrieval）：从海量库中找出可能相关的子集； 2) 重排序（ranking）：对候选子集进行更精细的计算与排序。
召回模块的作用是尽量覆盖相关结果，以免好文档在早期就被漏掉；重排序模块则负责在候选内部把相关性更高的结果排到更靠前的位置。由于重排序计算通常更昂贵，因此召回子集常受限于大小预算，召回指标在这里用于衡量“漏掉了多少宝贵候选”。
3.2 召回在召回-精排框架中的角色
在召回-精排框架中，召回往往被视为“上游召唤能力”。如果上游召回召不全，即使精排模型再强，也无法把已被剔除的相关文档重新带回。因此工程上常将召回视为必要条件：先确保候选集对相关结果具备足够覆盖率，再利用精排提升排序质量。
此外，召回质量也会影响训练与特征分布：候选来源的不同会改变精排模型看到的数据类型，从而影响最终排序效果。因而召回策略与精排策略之间存在联动。
3.3 召回与覆盖率、命中率的关系
在不同团队或系统中，召回常与覆盖率、命中率等概念在叙述上交错使用：
- 覆盖率通常强调“相关集合被覆盖的比例”，本质上与召回接近；
- 命中率可能指某类具体事件是否发生（例如“是否在返回集合中出现至少一个相关文档”），更像是集合命中概率的特例。
两者的精确定义取决于分母与判定规则。例如“至少命中一个相关样本”的指标，其含义与“命中多少相关样本”的召回并不完全一致，但都服务于衡量候选集或结果集的有效性。
3.4 面向流量场景的动态召回策略
在流量受限或分布变化的场景中，系统可能需要动态调整召回策略，例如：
- 按查询类别改变候选规模：热门类别可能给更小的 k，长尾类别可能加大召回以提高覆盖；
- 按资源预算自适应：在延迟约束下减少候选数量，在离峰时增加候选规模；
- 按上下文信号调整召回：利用用户画像或会话状态改变检索偏好，从而提高对目标相关的召回概率。
此时召回不再是静态指标，而是需要结合实时约束与业务目标进行权衡。工程实践中常以“保证最低覆盖”的方式设定硬约束，再在约束内追求效率与多样性。
4 评测与基准实验中的召回
评测是理解召回是否真实有效的关键环节。与离线训练相似，离线评测同样依赖数据集质量、统计口径与标注一致性。许多“召回看似很高或很低”的现象，往往可以追溯到评测设置本身。
4.1 离线评测流程概览
典型离线评测流程包括： 1) 准备评测集：包含查询集合与对应的相关性标注； 2) 对每个查询生成检索结果：得到系统返回的候选集合或 Top-k 列表； 3) 计算指标：将返回结果与相关集合对齐，统计 TP 与 FN 或等价的命中数量； 4) 汇总与报告：通常按查询维度聚合得到平均召回，或统计分布。
该流程的关键在于“对齐方式”：同一文档是否会因命名、版本或去重规则出现统计差异，也会影响召回计算。
4.2 评测指标的宏观汇总方式
常见汇总方式包括：
不同汇总策略会影响最终结论。例如对“相关文档数量很少”的查询，召回的波动可能更大；对“相关文档多”的查询，召回更能体现检索系统的覆盖能力。因而报告时通常需要同时提供平均值与必要的统计分位数或分桶结果。
4.3 查询级别召回的统计口径
召回指标常在查询级别计算，但要明确：
- 分母的相关总量是否为标注中所有相关；
- 系统输出的范围是全量还是 Top-k；
- 若存在去重或多版本文档，是否合并为同一条目。
此外，某些查询可能存在相关集合规模接近零的情况。在这种情况下，召回的定义需要额外约定（例如跳过该查询或采用特定处理方式），否则会影响整体平均值的稳定性与可比性。
4.4 常见坑：标注偏差与漏标问题
离线召回常面临以下偏差来源：
- 漏标：真实相关但未被标注，导致系统命中无法计入 TP，召回被低估；
- 标注偏差：不同标注员或不同阶段的标注标准不完全一致，造成相关集合噪声；
- 评测与训练分布不一致：训练数据中“相关”的定义可能与评测时不一致，导致指标偏离预期；
- 候选去重与实体合并：如果评测口径对“同一实体的多个页面”如何计数不一致，召回也会产生额外差异。
在分析召回结果时，通常需要配合抽样检查、标注一致性分析以及与其他指标（如精确率、排序指标）联合判断，避免仅凭一个数值下结论。