知识卡片

结构图卡 · 7262.g · 生成模型:WorkBuddy (Claude)

双塔召回动机与DSSM结构

理解等级:中级

双塔召回起源于 DSSM,本质是“速度与个性化的折中”:规则召回快但个性化不足,精排模型个性化强但太慢;双塔用两个独立的 DNN 分别把用户和物料解析成各自 Embedding,线上再用全库物料 Embedding 与用户 Embedding 算相似度取 Top-k。它既满足个性化,又靠 Faiss 建索引实现高速检索,是性价比最高的召回之一。

DSSM 的关键设计:最后一层产出各自 Embedding 后做 L2 正则(防止极值、使点积等价于 Cosine 相似度,统一相似度度量),再除以温度超参 T(补偿 L2 对个性化的弱化,通常从 0.1 起二分调参),最后用 Softmax 损失把正负样本拉大。样本上正样本是点击、负样本随机采样——因为召回面对的是全库分布,随机采样正是模拟全库。

区别于需要 id 的协同过滤,DSSM 还能用基础特征增强泛化,两个塔可分别入索引。关联 [[协同过滤召回机制与评分矩阵]]。

结构图:

classDiagram
class 用户特征 { +用户id +行为序列 +基础画像 }
class 用户塔DNN { +多层DNN +输出用户Embedding +L2归一化 }
class 物料特征 { +物料id +基础属性 }
class 物料塔DNN { +多层DNN +输出物料Embedding +L2归一化 }
class 相似度计算 { +内积/除以温度T +Softmax损失 +Faiss检索 }
用户特征 --> 用户塔DNN
物料特征 --> 物料塔DNN
用户塔DNN --> 相似度计算
物料塔DNN --> 相似度计算
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

    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7章《个性化召回层样本选择和模型选择》(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/312287/67.html;src-043) - 结论依据:原文说明双塔是速度/个性化折中、DSSM用双DNN产出Embedding、L2/温度/Softmax/随机负采样的作用,支撑本卡。 - 原始内容:然后,对这个Embedding进行L2正则,再对内积结果除以一个温度超参 T ,最后通过Softmax损失进行目标优化