个性化特征融合到双塔模型的query侧

背景：众所周知，双塔模型分为两侧，各自转变成向量，再进行multiply，再最大化正样本的相似度。在电商搜索，双塔模型分为query侧和商品侧，但是要加入用户的特征得到个性化的搜索结果，则query侧就变成用户侧

在讲双塔模型之前，先讲一下，TensorFlow 用estimator构建模型训练与评估

分为以下四步：

1、搭建模型create_model(feature,label,mode,param)

2、定义input_fn()返回的dataset,这里的dataset就是上面的feature

3、得到评估器

model=tf.estimator.Estimator(
        model_fn=create_model,
        model_dir=model_dir,
        params={
        },
        config=run_config
    )

4、tf.estimator.train_and_evaluate(model,train_spec,eval_spec)(train_spec与eval_spec就是包裹input_fn而来的)

 

---------------------------------------------主题来了--------------------------------------

用户侧特征：

input_fn()函数得到的dataset为{‘query’:[],

                            'context':[‘性别’，‘手机型号’，‘地点’，‘偏好’...],（需要进行feature_column处理）

                            'action':[商品点击列表，商品加车列表，商品购买列表，...]（商品可以是goods_nm+sku_cate_nm+attr_nm构成的一个商品）

}

create_model(feature,mode,param)

feature['query'] 通过词向量转化，并且通过dense层变成 batch_size *x的向量

feature['context'] 通过

tf.feature_column.input_layer(features, params['feature_columns'])把数据变成tensor

feature['action']复杂些，1，先通过词向量转化，则商品列表变成词向量列表（每个商品都有自己的词向量），2、

把每个商品的词向量与上述对应的query的词向量点乘，得到相似度，再把相似度和每个商品的词向量相乘再相加3、最后‘action’就变成[goods_click_embeding,goods_cart_embeding,goods_check_embeding]，最后concat得到行为的向量特征

最后把‘query’、'context'和‘action’的特征进行concat就得到用户侧的特征

商品侧：一个用户特征，对应两个商品侧的特征，点击为正，曝光为负样本

goods_nm+cate_nm+attr_nm通过词向量转化变成词向量