weixin_64420349的博客

精排模型要给每个候选物品打分，分数表示用户对候选物品的兴趣，最后根据分数的高低给这500个候选物品排序，保留。用户塔看不到候选物品（比如双塔召回时，有上亿候选物品，用户只能看到用户特征，看不到候选物品特征），故不能把注意力机制用在用户塔。LastN列表中的物品可能是一年前，或十分钟前的交互，重要性不同（时间越久远，重要性越低）DIN的序列短，记录用户近期行为（只记录用户最近交互过的100~200个物品），无需考虑时间信息。注意，用户还有其他的很多特征，比如用户ID、离散特征、连续特征等，把所有这些特征。

我们用一个现实的例子来理解，比如我们要预估一个二手房的价格，单用面积和地理位置都不能很好的预测结果，将两个特征交叉之后会有较准确的预测。不论是内积or哈达玛积，都要求每个特征的embedding向量形状一样，都是k维向量；因此在实践中，最好人工指定一部分特征做交叉，这样既可以减少参数数量，也可以让concatenation之后的向量变小。，对m^2个向量做concatenation，得到的向量维度太大，且其中大多数都是无意义的特征。用特征交叉的话，两个特征不仅能相加，还能相乘，这样可以提升模型的表达能力。

粗排模型和精排模型

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。

点击率：点击次数/曝光次数转发率：转发次数/点击次数阅读完成率：滑动到底次数/点击次数 x f(笔记长度)·f()是一个，和笔记长度有关，笔记越，阅读完成率。