双塔模型与SENET在推荐系统中的应用与优化

1. 双塔模型基础架构解析

双塔模型（Two-Tower Model）作为推荐系统和搜索领域的经典架构，其核心思想是将用户和物品分别通过独立的神经网络（即"双塔"）映射到同一向量空间。这种设计最早可追溯到2013年微软提出的DSSM（Deep Structured Semantic Model）模型，后来经过SENET等技术的演进，逐渐成为工业界的标配方案。

我在实际业务中部署过多个双塔模型版本，发现其核心优势在于：

• 线上服务高效：用户塔和物品塔可以预先计算好向量，线上只需简单向量运算
• 冷启动友好：新物品加入时无需重新训练整个模型
• 多场景适配：同一套物品向量可服务于推荐、搜索、广告等多个场景

2. DSSM模型技术细节拆解

2.1 原始DSSM架构设计

DSSM的经典结构包含以下几个关键组件：

1. 输入层：采用词哈希（Word Hashing）处理查询和文档
2. 全连接层：通常3-4层DNN，使用tanh激活函数
3. 输出层：计算query和doc向量的余弦相似度

python复制# DSSM核心代码示例
user_tower = Sequential([
    Dense(256, activation='tanh', input_dim=500),
    Dense(128, activation='tanh'),
    Dense(64, activation='tanh')
])

item_tower = Sequential([  # 与user_tower结构对称
    Dense(256, activation='tanh', input_dim=500),
    Dense(128, activation='tanh'),
    Dense(64, activation='tanh')
])

2.2 训练技巧与参数设置

在实际训练中需要注意：

• 负采样策略：建议采用batch内随机采样+曝光未点击样本
• 温度系数调节：softmax温度参数通常设置在0.05-0.2之间
• 特征归一化：输入特征建议做Z-score标准化

经验：在电商场景下，将用户最近10次点击行为作为正样本，曝光未