知识卡片

普通读书笔记卡 · 7257.d · 生成模型:WorkBuddy (Claude)

双塔模型召回DSSM

理解等级:中级

双塔(Embedding 模型)召回是典型的 U2I 召回,本质是分别用模型(FM、DNN 或 Embedding 拼接)处理用户与物料,输出各自向量,再做内积监督学习。以 DSSM 为例:训练时用 cos(用户向量, 物料向量) 与目标值算交叉熵做梯度下降;在线预测只输出用户向量 yQ 与物料向量 yD,再用 Faiss 等向量检索工具对目标用户取 Top-k 物料作为召回。它的优势是个性化强、耗时可控,且 Embedding 可离线缓存,便于落地复杂算法。边界/反例:因缺少用户与物料特征交叉,双塔的 GAUC、AUC 都明显弱于 DNN 精排模型——这正是后续 [[交叉粗排模型COLD]] 等交叉结构要补的短板。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 推荐系统架构 2.2 召回层概述 · 查看原书依据

      训练阶段使用cos( y Q , y D )和目标值计算交叉熵进行梯度下降,在线预测的时候仅输出 y Q 和 y D ,然后通过向量检索工具(如Faiss)直接对目标用户进行物料Embedding检索,一般取打分的前 k 个(Topk)物料作为召回的物料

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第2章《推荐系统架构》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/17.html;src-013) - 结论依据:原文以 DSSM 说明双塔召回的训练(cos+交叉熵)、在线检索(Faiss Top-k)流程,并指出其因缺特征交叉而弱于 DNN,支撑本卡对机制与边界的描述。 - 原始内容:训练阶段使用cos( y Q , y D )和目标值计算交叉熵进行梯度下降,在线预测的时候仅输出 y Q 和 y D ,然后通过向量检索工具(如Faiss)直接对目标用户进行物料Embedding检索,一般取打分的前 k 个(Topk)物料作为召回的物料