推荐召回算法之双塔模型

define_us define_us 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 532平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄14年
关注
原创 最新推荐文章于 2026-02-28 00:16:22 发布 532 阅读 AI 写同款· GEO 优化 ›
【深度学习技术系列】推荐系统-双塔模型基本原理与实践 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。 阅读详情

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

收录于
算法

当前文章被收录于：

算法
37 篇文章 1 人学习
订阅专栏 查看详情
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。
推荐系统学习笔记（五）双塔模型 双塔模型 阅读详情

相关推荐

推荐算法炼丹笔记：Facebook向量召回双塔模型

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...

炼丹笔记 2733

【推荐算法】双塔模型介绍

【推荐算法】双塔模型介绍

u011590738的博客 1万+

【推荐算法】召回模型总结

【推荐算法】召回模型总结

m0_48086806的博客 6245

一文看懂推荐系统：召回08：双塔模型——线上服务需要离线存物品向量、模型更新分为全量更新和增量更新

（1）找工作投简历的话，你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来，这样才能契合公司招聘需求，否则它直接把简历给你挂了 （2）你到底是要进公司做推荐系统方向？还是纯cv方向？还是NLP方向？还是语音方向？还是深度学习机器学习技术中台？还是硬件？还是前端开发？后端开发？测试开发？产品？人力？行政？这些你不可能啥都会，你需要找准一个方向，自己有积累，才能去投递，否则面试官跟你聊什么呢？ （3）今日推荐系统学习经验：现在先进的推荐系统都会结合全量更新和增量更新。...

weixin_46838716的博客 6433

推荐算法面经整理

召回 -> 精排 -> 多目标混排推荐的模型发展过程 LR widedeep 多任务(PLE详细解释） 多场景等召回排序有哪些模型？具体是干什么的？协同过滤是怎么样的？召回策略，协同过滤，关键词召回召回的多样性双塔模型优势，缺点，如何改进分为用户塔和物品塔。这块我了解到用户塔和物品塔都是相对静止的，可能隔天才会更新。但面试官说用户塔也可以做到根据用户的行为进行实时更新。双塔模型是做什么的，为什么不用热度推荐，相比的话dssm有什么优点双塔模型、hard样本构建；

YESLUP的博客 1656

基于Embedding召回和DSSM双塔模型

基于embedding的召回是从内容文本信息和用户查询的角度出发，利用预训练的词向量模型或深度学习模型，将文本信息转换成向量进行表示，通过计算两个向量之间的距离或者相似度来推荐内容。这种方式主要考虑商品文本信息的语义信息，使推荐的内容更加精准。Embedding召回主要的优缺点扩展性强：基于 Embedding 的召回算法可以学习大规模物品或用户的向量表示，因此对于超大规模推荐系统也可以进行有效召回。表达能力强。

小叮当的博客 1947

【王树森推荐系统】召回09：双塔模型+自监督学习

召回09：双塔模型+自监督学习

hxdxiaoming的博客 896

推荐系统（六）双塔模型

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。

Jin_Kwok的博客 5144

推荐算法总结（召回+排序+工程化）

文章目录内容召回word2vecLDAFastTextTextCNN行为召回ItemCFUserCF关联规则聚类协同矩阵分解隐语义LFM图召回PersonalRank深度学习召回因子分解排序FMFFM树模型排序GBDT+LR深度模型排序DNN特征高阶组合低阶特征单独建模特征交叉优化小结： 内容召回 word2vec 了解skip-gram和cbow两种网络的结构 了解优化方法：Hierarch...

iwtbs 1万+

华硕天选3 win11+ubuntu20.04双硬盘双系统配置（包括ubuntu重启后无法成功进入、没有wifi图标的设置）

1、制作系统盘 2、分区 3、重启电脑按F2

baidu_38431960的博客 1万+

地震勘探原理---地震预处理

3.1 为什么说要对数据进行振幅补偿?具体来说，地震波在传播过程中会遇到各种各样的地质条件，例如不同的岩层、土壤、水层等，这些介质的密度、速度等特性不同，因而对地震波的能量消耗也有所不同。在传播距离较远的情况下，能量损失可能会导致接收到的地震信号振幅变小。相反，在传播距离较近的情况下，能量损失可能较小，导致接收到的地震信号振幅变大。如果不对数据进行振幅补偿，这种振幅不均衡会导致地震数据分析和解释的误差和不确定性增加，可能产生错误的结论。

DARRENANJIAN的博客 3274

【推荐系统】王树森推荐系统公开课自学笔记2-召回

量化用户对物品的兴趣likeuseritemj​；量化物品之间的相似度simitemj​item；

qq_51676593的博客 1130

人脸情绪识别（使用深度学习和OpenCV）

基于opencv与深度学习的人脸情绪识别系统

mx0390304的博客 8251

奈飞推荐算法优化实战：从架构设计到代码落地（附完整实操流程）

摘要：本文聚焦奈飞（Netflix）推荐系统的算法优化实战，从“算法工厂”的核心逻辑切入，拆解其经典的“召回-排序”两级流水线架构，详解矩阵分解、深度学习等核心算法的原理与实操。文中结合真实业务场景，提供从数据预处理、模型训练到A/B测试、模型部署的完整流程，包含可直接运行的Python代码（基于MovieLens公开数据集）及执行结果。同时，针对新手常见的“数据稀疏性”“模型落地难”等问题给出解决方案，为进阶读者解析A/B测试优化、隐私保护等工程实践。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！ 1万+

Hypermesh二次开发实战：从Tcl/Tk脚本到Ext API的进阶之路

本文系统介绍了Hypermesh二次开发的进阶路径，从自动化重复操作的Tcl/Tk脚本入门，到利用HMASCII接口深度读写模型数据，最终深入Ext API进行高性能计算与功能定制。通过实战案例，帮助工程师掌握从脚本录制到C++插件开发的完整技能，显著提升CAE前处理效率与自动化水平。

weixin_29306875的博客 671

电子数据取证实战：从“平航杯”竞赛看计算机检材分析的关键技术与案例解析

本文通过'平航杯'电子数据取证竞赛案例，深入解析计算机检材分析的关键技术，包括USB设备追踪、浏览器历史分析、AI换脸取证、虚拟货币交易追踪等实战技巧。重点探讨了数字痕迹的发现与关联，以及电子取证工具链的应用，为从业人员提供实用的技术参考和案例分析。

www00的博客 537

推荐算法：物品冷启

精准推荐、激励发布、挖掘高潜。

qq_34517343的博客 294

Linux C/C++ or 嵌入式面试之《C/C++笔面试系列》(10) C++ 前置后置增减运算符重载形式与比较

C语言的++、–运算符在此不讨论。 文章目录1、前置后置增减运算符重载的形式2、前置和后置运算符的性能比较 1、前置后置增减运算符重载的形式 自增运算符“++”和自减运算符“–”分别包含两个版本。即运算符前置形式(如 ++x)和运算符后置形式(如 x++)，这两者进行的操作是不一样的。因此，当我们在对这两个运算符进行重载时，就必须区分前置和后置形式。C++根据参数的个数来区分前置和后置形式。如果按照通常的方法来重载 ++ 运算符(即作为成员函数重载时不带参数，或者作为非成员函数重载时带有一个参数)，那么重载

二进制君 5832

第二章 召回（王树森学习笔记）

双塔模型有两个塔，用户塔和物品塔。用户塔物品塔输入用户特征物品特征特征变换EmbeddingEmbedding输出余弦相似度策略/训练方法训练方法需要正负样本过采样冷门物品，或降采样热门物品&混合几种负样本召回最近邻查找模型更新全量or增量优化梯度下降。

weixin_64420349的博客 2249

华为OD面试手撕真题 - 最大数

华为OD面试手撕真题 最大的数 提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解

qq_45776114的博客 343

数仓建模—数据治理框架选型

全名主要亮点覆盖面最广：从数据治理、架构、质量、安全到元数据、主数据、数据仓库等等，几乎所有数据管理主题都能在DMBOK里找到相应章节。概念权威统一：帮助组织建立通用术语和知识基础，减少“部门之间说法不一致”的沟通成本。适用场景：如果你所在公司（或团队）正准备系统梳理数据管理的方方面面，DMBOK是一份非常全面的指导手册，尤其适合培养新人或为整个组织统一认知。需要注意：DMBOK偏“知识指引”，不直接提供成熟度模型或实施路线图。想要落地，还需要结合其他评估模型或项目管理方法。小案例举例：某。

2401_84052244的博客 4745

从抖音到淘宝：拆解大厂推荐系统如何平衡召回速度与排序精度

本文深入剖析了工业级推荐系统的架构设计，重点对比了抖音与淘宝在召回（Recall）、粗排（Coarse Ranking）和精排（Fine Ranking）环节的技术差异。通过分析两大平台的多路召回策略、轻量级粗排模型和复杂精排架构，揭示了不同业务场景下如何平衡推荐速度与排序精度的工程实践。

github5actions的博客 726

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

推荐系统（概要+召回+排序）

持续更新~

上烟雨心上尘的博客 1736

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

一文看懂推荐系统：召回05：矩阵补充、最近邻查找，工业界基本不用了，但是有助于理解双塔模型

（1）找工作投简历的话，你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来，这样才能契合公司招聘需求，否则它直接把简历给你挂了 （2）你到底是要进公司做推荐系统方向？还是纯cv方向？还是NLP方向？还是语音方向？还是深度学习机器学习技术中台？还是硬件？还是前端开发？后端开发？测试开发？产品？人力？行政？这些你不可能啥都会，你需要找准一个方向，自己有积累，才能去投递，否则面试官跟你聊什么呢？ （3）今日推荐系统学习经验：模型的输出是一个实数（两个向量的内积），是用户对物品兴趣的预估值rate，这个数越大

weixin_46838716的博客 4976

工业级推荐系统

判断已曝光，可能有误判）滑动窗口MMR：将最近加入的n个物品作为滑动窗口w，代替整个选中的物品，防止在后期sim总是等于1使得MMR失效。（用户ID、用户离散特征、用户连续特征）-> (concatenate)神经网络 -> 用户特征。（物品ID、物品离散特征、物品连续特征）->(concatenate) 神经网络 -> 物品特征。可能影响sim的值，导致两个不相关的物品被误判为高度相关，影响推荐。极化：softmax输出值一个接近1，其余接近0，接近0的时候对应的专家神经网络失效。

ryan_here的博客 832

推荐算法召回

文章目录向量化召回图嵌入双塔模型协同过滤矩阵分解热度召回内容召回深度树匹配 向量化召回 向量化召回，主要通过模型来学习用户和物品的兴趣向量，并通过内积来计算用户和物品之间的相似性，从而得到最终的候选集。其中，比较经典的模型便是Youtube召回模型。在实际线上应用时，由于物品空间巨大，计算用户兴趣向量和所有物品兴趣向量的内积，耗时十分巨大，有时候会通过局部敏感Hash等方法来进行近似求解。 图嵌入...

iwtbs 1659
上一篇： gradle的使用
下一篇： 推荐召回算法之协同过滤
点赞 1
评论 0
书签 书签 0
define_us
define_us
博客等级 码龄14年 157粉丝 531原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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