推荐系统-召回阶段-双塔模型-2013：DSSM【通过双塔模型计算出User Embedding与Item Embedding，然后利用两者的相似度计算进行召回，可利用faiss进行加速计算】

DSSM全称Deep Structured Semantic Models，是伊利诺伊大学厄巴纳-香槟分校（UIUC）与微软于2013年发表在CIKM上的。

DSSM在业界搜广推的影响力目前来说是超过前面介绍的任何一个模型，基本上统治了召回/粗排阶段。

百度同样在2013年（那个年头的百度还处在如日中天的状态）搞了个双塔模型 SimNet，不过并没有发表相应的论文。

一、推荐中DSSM双塔模型结构

推荐领域中的DSSM结构一般如下图所示：

图1. 推荐领域常用DSSM模型结构

模型结果非常简单，主要包括两部分：user侧一个塔，item侧一个塔。user侧特征和item侧特征分别经过各自的DNN（一般情况下，两个DNN结构是一样的，当然也可以不一样）后得到user embedding和item embedding，这里需要注意的是如果你的user dnn和item dnn结构不一样，请无比保证输出维度一样，也就是最后一层全连接层隐藏单元个数相同，需要保证user embedding和item embedding的维度相同，因为下一步要做相似度计算（常用内积或者cosine）。损失函数部分则是常用的二分类交叉熵损失，y_true为真实label 0或者1，y_pred为相似度结果。

对于有经验的常年沉溺于挖特征（99%推荐/广告算法工程师的现状）的老司机，应该可以一年就看出DSSM模型的缺点：无法使用user#item的交叉特征。 这个问题我们在后面再探讨。<