goTsHgo的博客

迁移学习是一种机器学习技术，其核心思想是利用在一个任务上已经学到的知识（源任务：任务已经有一个训练好的模型，然后我们将这个模型的某些部分或知识迁移到一个新的但相关的“目标任务”上。）来帮助解决另一个相关但不同的任务。这种方法在深度学习领域尤其有用，因为它可以显著减少模型训练所需的数据量和计算资源，同时提高模型在新任务上的性能。我们将在预训练的基础模型上添加自定义层，以适应我们的猫狗分类任务。这里添加一个扁平化层（Flatten）和一个密集层（Dense），最后是一个具有两个输出（猫和狗）的分类层。

在推荐系统中，用户的兴趣往往是多样化的。单一兴趣的推荐无法全面捕捉用户行为，可能导致召回效果较差。

胶囊是神经网络中的一组神经元，其输出表示不同的参数，如实体的不同属性。在多兴趣模型中，每个胶囊可以代表用户的一个兴趣维度。

捕捉兴趣多样性每个用户的多个兴趣点被单独建模，不再用单一向量代表整个用户。丰富召回结果不同兴趣点召回的物品可以覆盖用户的多种需求，提高推荐结果的覆盖度。动态调整兴趣向量是通过动态计算获得的，可以根据用户行为灵活变化。用户浏览了 “篮球鞋 A”、“跑鞋 B”、“智能手表 C”。多兴趣召回可能提取两个兴趣点：运动鞋（兴趣向量 1）。智能设备（兴趣向量 2）。分别召回：兴趣向量 1：召回 “跑鞋 D”、“运动鞋 E”。兴趣向量 2：召回 “智能手环 F”、“耳机 G”。

双塔模型在工业界的部署需要遵循以下步骤，从训练到上线到生产环境的推理，重点在于如何让模型高效、准确地完成用户和物品的匹配任务。以下将逐步从五个方面详细说明，并附带详细的代码，易于理解和实现。以下是一个完整的实现流程，适用于工业界的推荐场景。训练双塔模型，保存用户塔和物品塔。使用物品塔对所有物品进行离线向量化，并保存为向量文件（如.npy使用用户塔实时生成用户向量，并基于物品向量进行最近邻检索。使用 FAISS（Facebook AI Similarity Search）进行高效的向量检索。

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。