精度高，召回率低，map值只有0.9

精度高、召回率低、MAP值只有0.9可能意味着模型在识别正例时非常准确，但是漏掉了大量的真实正例。这种情况通常发生在数据集中负例样本数量远大于正例样本数量的情况下。在这种情况下，模型倾向于预测所有样本为负例，导致召回率低。为了解决这个问题，可以尝试以下几个方法：

1. 调整阈值：可以调整模型的决策阈值，使其更容易预测为正例。这可能会导致更多的假阳性，但可以提高召回率。

2. 增加正例样本：可以通过数据增强、数据合成等方法增加正例样本数量，从而提高模型对正例的识别能力。

3. 使用更好的特征：可以尝试使用更好的特征，如深度学习中的预训练模型，从而提高模型的泛化能力和对正例的识别能力。

4. 使用集成方法：可以使用集成学习方法，如Bagging、Boosting等方法，从多个模型中综合得到更好的结果。

综上所述，要提高召回率和MAP值，需要从多个角度入手，包括数据处理、模型设计和调优等方面。