推荐系统（十五）：基于双塔模型的多目标商品召回/推荐系统

在电商推荐场景中，用户行为通常呈现漏斗形态：曝光→点击→转化。本文基于TensorFlow构建了一个支持多任务学习的双塔推荐模型，可同时预测点击率（CTR）和转化率（CVR）。通过用户塔和商品塔的分离式设计，模型既能捕捉用户兴趣偏好，又能理解商品特征，最终通过向量相似度计算生成推荐结果。

1.系统架构

系统架构采用 “双塔模型”，关于双塔模型，在之前的文章《推荐系统（六）双塔模型》里面有较为详细的介绍。在本文中，为了简单起见，笔者实现了一种 极简 的双塔模型，在下一篇文章中，笔者将采用 ESMM（Entire Space Multi-Task Model） 思想进一步优化。模型架构如下图所示，其中 CTR 和 CVR 共享交互层，这种方案是存在明显不足：

• 任务目标冲突：点击率（CTR）关注用户对商品的初步兴趣，而转化率（CVR）关注点击后的购买决策。两者特征重要性不同（如价格对 CVR 影响更大），共享交互层会导致特征表达冲突。
• 样本选择偏差：CVR 任务仅使用点击样本训练，而 CTR 使用全量样本。共享交互层会导致未点击样本的噪声影响 CVR 建模。
• 表征能力受限：单一交互层难以同时捕捉点击和转化的复杂特征交互模式，导致模型表达能力不足。