推荐系统遇上深度学习(一二四)-[美团]面向大规模推荐系统的双重增强双塔模型...

各位小伙伴们中秋快乐吖！今天给大家带来一篇美团在DLP-KDD 2021上中稿的一篇论文，主要的出发点是解决双塔模型中两塔之间缺乏信息交互，以及在美团首页推荐中，面临多场景、多业务融合且不同业务类别分布不均衡的特定业务问题。一起来学习一下。

1、背景

在大规模工业界推荐系统的召回阶段，大都采用的是双塔模型，即通过query tower（user tower）和item tower分别得到query（user）和item的向量表示，并通过cosine距离计算二者的相似度，进而选择相似度高的item进入到排序阶段。传统的双塔模型面临以下两方面的问题：

1）两个塔之间缺乏信息交互，影响模型的收益空间
2）在美团首页推荐或其他的推荐场景下，item的种类是十分丰富的且非常不平衡的，那么模型的训练由主要的种类所主导，对于数量较小的种类的item效果会受到影响。

为了解决以上两方面的问题，论文提出了双重增强双塔模型（Dual Augmented Two-tower Model，简称DAT）。论文设计了Adaptive-Mimic Mechanism，来为每一个query和item学习一个增强向量，增强向量代表了来自另一个塔的有用信息；同时，论文还在训练阶段引入了Category Alignment Loss来缓解类别不平衡的问题，一起来看一下。

2、DAT模型介绍

模型的整体结构如下图所示：

接下来，根据如上的模型结构图，我们进行详细的介绍：

2.1 Embedding layer

Embedding层无需进行过多的介绍，将query和item对应的离散特征转换为对应的Embedding。

2.2 Dual Augmented layer

对于每一个query和候选item，赋予一个对应的增强向量au和av，并与Embedding层得到的Embedding进行拼接，作为两个塔的输入。如对于uid=253，city=SH，gender=male的用户&#x