目录
双塔模型
训练
pointwise训练
pairwise训练
listwise训练
双塔模型
矩阵补充模型只用到了用户id和物品id，其余属性没有用上
用户属性也可以这样处理
用户塔和物品塔各输出一个向量，两个向量的余弦相似度作为兴趣的预估值
训练
第一种：pointwise，独立看待每个正负样本，做二分类
第二种：pairwise，每次取一个正样本一个负样本
第三种：listwise，每次取一个正样本多个负样本，多分类
正负样本的选择：
正样本：用户点击
负样本：未被召回的，召回但是被粗排精排淘汰的，曝光但是未点击的（具体怎么选择后面会讲）
pointwise训练
把召回看作二元分类任务，鼓励正样本相似度接近1，负样本相似度接近-1
控制正负样本比例1:2，1:3（互联网大厂的经验之言）
pairwise训练
损失：鼓励cos（a，b+）大于cos（a，b-）
listwise训练
最小化交叉熵
错误设计：下面的模型不用于召回，前期融合（进入神经网络前就融合了），不是双塔模型，可以用作精排和粗排，计算量不会太大，召回只能用后期融合（神经网络之后）的模型
（未完待续）
