双塔系列推荐模型主要包括DSSM、推荐领域中的双塔模型以及Google双塔模型，以下是对这些模型的详细介绍：DSSM模型简介：深度语义匹配模型（DSSM），是微软发表的一篇应用于NLP领域中计算语义相似度任务的文章。原理：获取用户搜索query和doc的曝光和点击日志数据，训练阶段分别用深度学习网络构建query侧和doc侧特征的embedding，线上预测时通过计算query和doc两个语义向量的cos距离来表示相似度。模型结构：Term Vector：输入词向量的维度取决于doc集合大小。Word Hashing：主要作用是减少输入向量的维度，基于字母n-gram方法。中文输入层和英文有很大差别，首先要考虑分词问题。如果要分词推荐jieba或者北大pkuseg，也可以不进行分词，直接使用单字作为最小粒度。全连接层：最下面的Term Vector到Word Hashing将词映射到3W维的向量空间中。然后分别经过两层300维度的隐藏层，最后统一输出128维度的向量。相似度计算：query和doc统一转换成了两个128维的语义向量，然后通过cos函数计算这两个向量的余弦相似度。相似度概率：相关性带入softmax计算后验概率，其中，γ是平滑因子，需要根据经验性设置。推荐领域中的双塔模型简介：分为user塔和item塔，是独立的两个子网络。将两个塔各自缓存，线上预测的时候只需要在内存中进行相似度运算即可。模型结构：朴素的DSSM双塔模型结构。Google双塔模型主要创新点：为解决全库数据量巨大难以高效快速训练的问题，文章采用采样的方式来处理实时流数据，同时提出一种新的采样概率算法，这个概率用于对损失函数进行优化。为降低采样偏差带来的影响，文章对batch softmax的损失函数进行了修正。模型结构：训练标签：点击并进行了完整观看的为1，只点击或者观看很少的认为是0。Video特征：视频ID、频道ID，转化为Embedding，对于一些多值特征（视频主题）采用Embedding加权平均。User特征：历史观看视频ID的平均Embedding（过去的一段时间）。共享Embedding：对于同一个ID的embedding在双塔模型的左侧和右侧是共享的。采样概率计算：该方法用于估计在流数据中，每个batch下item出现的概率，核心思想是假设某item连续两次被采样的平均间隔为B，那么该item的采样概率即为1/B。例如：一个item每50步出现一次，那么该item出现的概率p=1/50=0.02。A[h(y)]表示item y上次被采样到的时刻，B[h(y)]表示每多少步item y可以被采样一次。当第t步y被采样到时，利用迭代可更新A，B：α可以看作学习率。通过上式更新后，则在每个batch中item y出现的概率为1/B[h(y)]。损失函数：整个召回系统采用双塔结构，分别构建user侧和item侧的embedding，两个塔的输出就为各自的embedding向量，然后计算两个embedding内积后的结果，即s(x,y)=