# 双塔模型入门（DSSM） ## 介绍 基本结构：引入带有深度神经网络的“塔结构”，将包含ID在内的多种特征经过变换、嵌入再投入附加的神经网络，最终生成统揽所有特征的向量。分别构建用户和物品两组特征向量，���证两组向量维数相同，然后通过融合训练，使用户和物品尽可能处于同一个语义空间中（比如使用户与值得推荐的物品余弦相似度接近1）。如下图所示：  ## 训练方法 ### 正负样本选择 样本：这里特指**用户-物品二元组$<u,i>$** 正样本：直接选择用户和其有交互的物品 负样本： - 简单负样本：用户与全体物品里随机抽选的物品构成负样本，可以乘以一个热门惩罚，使得热门物品更容易被选到（因为一般的内容系统里冷门物品基数过大） - batch内简单负样本：分批情况下，一个用户与该批内其他用户交互过的物品构成负样本；为了平衡冷热门物品，可以用 $cos(u,i)-\log_k{p_i}$ 作为且仅作为训练时的损失函数，其中 $p_i$ 为该物品的热门指数（如点击次数），$k$ 为超参数 - 困难负样本：以往进入召回层，但在排序层被筛除的样本 - 可考虑 简单:困难 比例为 1:1 ### Pointwise（单物品，单用户）  ### Pairwise（单正样本物品，单负样本物品，单用户）    ### Listwise（单正样本物品，多负样本物品，单用户）