目录

双塔模型

训练

pointwise训练

pairwise训练

listwise训练

---

双塔模型

矩阵补充模型只用到了用户id和物品id，其余属性没有用上

 用户属性也可以这样处理

用户塔和物品塔各输出一个向量，两个向量的余弦相似度作为兴趣的预估值

训练

第一种：pointwise，独立看待每个正负样本，做二分类

第二种：pairwise，每次取一个正样本一个负样本

第三种：listwise，每次取一个正样本多个负样本，多分类

正负样本的选择：

正样本：用户点击

负样本：未被召回的，召回但是被粗排精排淘汰的，曝光但是未点击的（具体怎么选择后面会讲）

pointwise训练

把召回看作二元分类任务，鼓励正样本相似度接近1，负样本相似度接近-1

控制正负样本比例1:2，1:3（互联网大厂的经验之言）

pairwise训练

损失：鼓励cos（a，b+）大于cos（a，b-）

listwise训练

最小化交叉熵

错误设计：下面的模型不用于召回，前期融合（进入神经网络前就融合了），不是双塔模型，可以用作精排和粗排，计算量不会太大，召回只能用后期融合（神经网络之后）的模型

（未完待续）