推荐系统实现2：经典召回模型

推荐系统召回：

召回的目的是根据用户部分特征，从海量物品库，快速找到小部分用户潜在感兴趣的物品交给精排，重点强调快。

DSSM：

双塔模型在推荐领域中是一个十分经典的模型，无论是在召回还是粗排阶段，都会是首选。这主要是得益于双塔模型结构，使得能够在线预估时满足低延时的要求。

 DSSM的主要原理是将Q和D1,D2...Dn映射到相同的语义空间，通过最大化向量之间的余弦相似度，从而训练得到多端的语义映射，具体来说，就是先联合训练构建embedding层，再分别应用训练好的共同embedding根据输入给出输入端的embedding，如下图所示：

主要优势：在海量的候选数据进行召回的场景下，速度很快。

主要缺点：忽视了用户端和物品端之间的关联信息。

SENet双塔模型：

SENet是一种应用于图像处理的新型网络结构，其作用是为了将大量长尾的低频特征抛弃，弱化不靠谱低频特征embedding的负面影响

 

SENET主要分为三个步骤Squeeze, Excitation, Re-weight 

Squeeze阶段：我们对每个特征的Embedding向量进行数据压缩与信息汇总，即在Embedding维度计算均值：

Excitation阶段：这阶段是根据上一阶段得到的向量进行缩放。这个过程的具体操作就是经过两层DNN。

作用是判断哪些特征重要，哪些特征不重要。

• Re-weight阶段：是将Excitation阶段得到的每个特征对应的权重 AA 再乘回到特征对应的Embedding里，就完成了对特征重要性的加权操作。

• 

   （由于雨水倒灌，抢险救灾，代码分段分析等未完待续）