推荐召回算法之双塔模型

最新推荐文章于 2025-03-27 21:56:11 发布
最新推荐文章于 2025-03-27 21:56:11 发布
阅读量431 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 算法 文章标签： 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/define_us/article/details/128332094

DSSM

微软率先提出。核心是将用户特征和物料特征分别embedding化，然后计算相似度。

在这里插入图片描述训练数据时候，损失函数部分则是常用的二分类交叉熵损失。
在模型训练完毕后，user塔跟item塔各自存储在redis这样的数据库中，线上计算的时候，直接从内存中取到两个向量计算相似度即可。

Youtube

左边是用户特征和请求特征，右边是候选级别的特征
在这里插入图片描述

推荐系统（六）双塔模型
Jin_Kwok的博客
07-19 4286
双塔模型是推荐场景中常用的粗排模型之一，本节主要介绍几种典型的双塔模型及其变型，如SENet 双塔模型，并联双塔，蒸馏学习，对偶增强双塔，阿里 COLD。
推荐系统（九）SENet 双塔模型在推荐领域召回粗排的应用
Jin_Kwok的博客
07-21 3333
在推荐领域，双塔模型是粗排/召回环节应用最为广泛的算法模型，各种改进型双塔模型层出不穷，本文介绍一种基于 SENet 的双塔模型。
####好好好#####知识图谱上的双塔召回：阿里的IntentGC模型
木东的博客
12-10 621
关注本人的同学可能发现，我最近点评的文章都是关于"GNN在推荐系统应用"方向的。这当然与现如今这个方向非常火有关，但是作为一个合格的炼丹师+调参侠，总要搞清楚一门技术为什么火？这么火的技术对于自己是否有用？根据我的理解，由“传统机器学习→深度学习→图计算或知识图谱”这一路下来的发展脉络如下： 一切技术的目标都是为了更好地“伺候”好“推荐系统的一等公民 — ID类特征”。用户购买过的商品、光顾过的店铺、搜索过的关键词、商品的分类与标签，都是这样的ID类特征 传统的机器学习只会“严格匹配”。用户
推荐系统-【双塔模型】
qq_42636236的博客
08-13 574
双塔模型的应用-推荐系统实践与总结
RS推荐系统-DSSM双塔模型
你好，今天的你
11-23 868
DSSM语义召回 DSSM是一种基于深度神经网络的语义建模方法，这是由微软发表的一篇关于Query和Doc的相似度计算模型的论文提出。 该模型的结构主要由三部分组成（如下图） 输入层 输入层主要负责将Query和Doc的数据转换成embedding向量表达，方法通常有TFIDF，One-Hot等。原论文针对英文输入提出了一种叫做Word hashing的特殊embedding方法来降低字典规模。 表示层 表示层主要是将初始的embedding向量，经过深度学习的方法映射得到Query和Doc的新的em
推荐系统学习笔记（五）-----双塔模型
weixin_44880995的博客
06-11 941
双塔模型
推荐系统（十五）：基于双塔模型的多目标商品召回/推荐系统
最新发布
Jin_Kwok的博客
03-27 1128
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
【王树森推荐系统公开课】笔记07（双塔模型：正负样本、双塔模型：线上召回和更新）
qq_52342142的博客
02-20 1208
正样本：曝光而且有点击。简单负样本全体物品。batch内负样本。困难负样本：被召回，但是被排序淘汰。错误：曝光、但是未点击的物品做召回的负样本。离线存储：把物品向量b存入向量数据库。完成训练之后，用物品塔计算每个物品的特征向量b。把几亿个物品向量b存入向量数据库（比如 Milvus、Faiss、HnswLib向量数据库建索引，以便加速最近邻查找。线上召回：查找用户最感兴趣的 k 个物品。给定用户 ID 和画像，线上用神经网络算用户向量a。最近邻查找：把向量a。
推荐算法炼丹笔记：Facebook向量召回双塔模型
炼丹笔记
12-31 2611
作者：十方，公众号：炼丹笔记不知道多少人还记得 《做向量召回 All You Need is 双塔》那篇，那篇介绍了国内外各个大厂做召回的用的双塔模型，其中提到一篇《Embeding-based Retrieval in FaceBook Search》，还跟大家强烈建议，该篇必读，不知道有多少炼丹师认真读了？什么？你还没读！没关系，十方今天就给大家解读这篇论文。很多炼丹师往往迷恋于各种复杂的网络...
算法全栈之路 双塔召回源码
01-19
双塔模型之所以得名，是因为它的结构通常由两部分组成，这两部分好似两座高塔，分立于数据检索的两侧。一个塔负责处理用户信息，而另一个塔则负责处理物品信息。在实际应用中，这两座塔往往是两个深度学习网络模型，...
推荐系统-召回阶段-双塔模型-2013：DSSM【通过双塔模型计算出User Embedding与Item Embedding，然后利用两者的相似度计算进行召回，可利用faiss进行加速计算】
u013250861的博客
07-31 553
user侧和item侧特征无法交叉，有一些工作尝试了一些解决方案，比如新浪微博张俊林尝试了SENet，美团发表了论文ADualAugmentedTwo-towerModelforOnlineLarge-scaleRecommendation我们自己在实践中发现，DSSM召回的内容单一性比较严重，大多数都是同类别的，不知道有没有其他小伙伴遇到，可以贴出解决方案。推荐系统（十七）双塔模型httpshttps。..................
【推荐算法】双塔模型介绍
热门推荐
u011590738的博客
07-25 1万+
【推荐算法】双塔模型介绍
【深度学习技术系列】推荐系统-双塔模型基本原理与实践
小田的专栏
04-06 5979
双塔模型经典又简单，就是NLP领域的 query 和 document，推荐领域的 user 和 item，多模态检索领域的图像和文字等，都可以用双塔表示，分别把两个领域的特征编码成一个向量，然后向量相似度进行召回。较早使用双塔模型的是DSSM模型。将文本编码成对应低维向量，然后通过优化向量点积估值，得到合适的query和文档向量。线上通过query和文档的相似度进行文档的召回。推荐系统中使用的双塔模型结构如下：真实的推荐领域的大规模推荐系统，通常有百万到上亿的item和user。
【推荐系统】DSSM双塔模型浅析
发现问题，并解决问题，批判性思维
05-14 1882
文章目录一、DSSM模型1.1 DSSM模型架构1.2 模型原理二、负样本构造的6个常用方法2.1 曝光未点击数据2.2 全局随机选择负例2.3 Batch内随机选择负例2.4 曝光数据中随机选择负例2.5 基于Popularity随机选择负例2.6 基于Hard选择负例三、DSSM在工业界常用的原因3.1 论文的实验细节3.1 DSSM召回在线infer四、DSSM的变种Reference 一、DSSM模型 1.1 DSSM模型架构 这里不按原论文出牌，从推荐系统角度： 双塔模型结构简单，一个user
推荐系统中DSSM双塔模型的原理和应用
专注于Python编程技术的分享与交流，致力于帮助开发者提升编程技能，解决实际问题，探索Python的无限可能。
07-12 1312
DSSM（Deep Structured Semantic Model）双塔模型是一种在推荐系统、搜索引擎等领域广泛应用的深度学习模型，主要用于文本相似度匹配和召回任务。以下将从DSSM双塔模型的基本原理、应用实践以及优势等方面进行详细阐述。DSSM模型是一种简单有效且易于实现的双塔模型，在推荐系统中得到了广泛应用。随着深度学习技术的发展，DSSM模型也在不断地改进和完善，未来将发挥更大的作用。
双塔召回模型的前世今生
han_liwei的博客
04-16 660
因为在双塔结构下，无论对于userA还是userB而言，面对的item embedding都不会有区别，所以可以离线对所有的物料提前过item tower得到item embedding，当userA来时，只需要计算userA embedding即可，由此双塔的第一个好处便浮出水面：无需每次请求重复计算，节省了一大批算力资源。让我们重新回顾一下问题。自此，归一化解释清楚：双塔召回需要ANN，点积不保序一般使用欧式距离，双塔最上层归一化能将输入映射到欧式空间，保证了训练检索的一致性，提高了效果。
深度学习模型——双塔模型（Two-Tower Model）详解
goTsHgo的博客
12-05 4200
双塔模型是一种简单而高效的语义匹配模型，通过用户塔和物品塔的独立建模，以及匹配层的相似性计算，实现了用户和物品之间的高效推荐。本文从原理到代码实现，逐步拆解了双塔模型的核心逻辑和设计思想，使其易于理解和应用。
召回06 双塔模型two-tower(DSSM)
DEVIL_hym的博客
09-27 849
这是粗排和精排，前期融合，将特征在神经网络之前就拼接融合，不适用于召回，适用于排序模型；召回使用双塔模型，是在最终输出相似度的时候才融合。
双塔模型学习
weixin_42001184的博客
03-03 1613
双塔模型和CLIP本质上是同一套对比学习框架在不同领域的具象化——推荐双塔是从行为数据中学习用户-物品的关联，CLIP是从图文配对中学习跨模态语义映射。二者的核心区别仅在于处理的数据类型和应用场景。L−∑i1Blog⁡exp⁡siexp⁡si∑j1Nexp⁡sj−L−i1∑B​logexpsi​∑j1N​expsj−​expsi​​sis_i^+si​：正样本的相似度分数sj−。
召回阶段的双塔模型和排序阶段的双塔模型有什么不同
06-02
召回阶段的双塔模型和排序阶段的双塔模型主要有以下区别： 1. 目标不同：召回阶段的双塔模型的目标是通过计算相似度，从候选集中召回一部分与查询相关的文档或商品等内容；而排序阶段的双塔模型的目标则是对已经召回的内容进行精细排序，以呈现给用户最有可能感兴趣的内容。 2. 训练数据不同：召回阶段的双塔模型需要大规模的数据集对模型进行训练，以保证召回的准确性和召回率；而排序阶段的双塔模型则需要更加精细的标注数据，以训练模型对用户的偏好进行建模。 3. 特征不同：召回阶段的双塔模型主要依赖于内容的语义和相似度等特征，如文本向量、图片向量等；而排序阶段的双塔模型则需要考虑更多的用户行为特征，如点击率、购买率等。 4. 算法不同：召回阶段的双塔模型通常采用高效的近似计算方法，如LSH等；而排序阶段的双塔模型则通常采用更加精细的模型，如GBDT等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值