RS推荐系统-DSSM双塔模型

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embedding向量表达，即上图中的$Newembedding$。

匹配层

匹配层是比较关键的一步，它将所获取的Query和Doc相互做余弦相似度运算，获得两两之间的语义相似度，注意此处的相似度结果不限输出范围，所以最后需要通过softmax把所有结果归一化，从而得到目标针对点击的正样本拟合P为1，反之拟合P为0。

总结

DSSM方法目前广泛运用于搜索、推荐等领域的找回和排序问题。双塔模型的最大特点就是user侧和item侧是两个独立的子网络，两个塔可以各自缓存，线上召回时只需要取出缓存中的向量做相似度计算即可。