SENet雙塔模型：在推薦領域召回粗排的應用及其它

前言

目前，雙塔結構在推薦領域里已經是個常規方法了，在召回和粗排環節的模型選型中，被廣泛采用。其實，不僅僅是在推薦領域，在其它領域，雙塔結構也已經被越來越多得用起來了。比如，在當代搜索引擎的召回環節，除了常見的經典倒排索引來對Query和Document進行文本字面匹配外，經常也會增加一路基于Bert模型的雙塔結構，將用戶查詢Query和搜索文檔，各自通過一個塔形結構來打Embedding，以此增加Query和Document的深層語義匹配能力；再比如，在自然語言處理的QA領域，一般也會在第一步召回環節，上一個基于Bert模型的雙塔結構，分別將問題Question和可能包含正確答案的Passage，通過雙塔結構映射到同一個語義空間，并分別把Question和Passage打出各自的Embedding。

我的感覺，未來，雙塔結構會在更多應用領域獲得應用，這是個非常有生命力的模型。為啥呢？答案其實很簡單：在面臨海量候選數據進行粗篩的場景下，它的速度太快了，效果說不上極端好，但是畢竟是個有監督學習過程，一般而言也不差，實戰價值很高，這個是根本。若一個應用場景有如下需求：應用面臨大量的候選集合，首先需要從這個集合里面篩選出一部分滿足條件的子集合，縮小篩查范圍。那么，這種應用場景就比較適合用雙塔模型。

上面說的是雙塔模型的優點，所謂“天下沒有免費的晚餐”，它為了速度快，是需要付出代價的，那么，代價是什么呢？就是要在一定程度上犧牲掉模型的部分精準性，而且這個代價是結構內生的，也就是說它這種結構必然會面臨這樣的問題。至于產生問題的具體原因

深度學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。