本文深入探讨Facebook的双塔向量召回算法，重点在于硬负样本挖掘和嵌入融合策略。算法通过100:1比例结合随机负样本与101-500名的难负样本训练，以及多模型融合，提高召回效果。此外，文章讨论了使用曝光未点击数据作为负样本的局限性和随机采样负样本的优势。
负样本的艺术，再读Facebook双塔向量召回算法
Facebook这篇Embedding召回的论文，之前已经有几篇文章涉及过了，分别是《Embeding-based Retrieval in FaceBook Search》、《是"塔"!是"塔"!就是"它"，我们的双塔!》和《负样本修正：既然数据是模型的上限，就不要破坏这个上限》，有兴趣的可以回顾一下。
在以上几篇文章中，模型结构没啥好说的，简单的双塔，两边塔的输入都是文本特征、社交特征和位置特征，其中社交特征和位置特征是他们在实验中发现对效果提升比较好的两种特征。
最低0.47元/天 解锁文章
2365
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
