DPSR是京东发表于SIGIR2020 的paper，是京东在搜索推荐系统领域的实践经验总结，京东自2019年起就开始部署DPSR搜索推荐系统框架，总体网络结构如下：
从整体看，离线模型是一个双塔模型结构，query 和 item 分别有一个 model tower。
Query 端：包括query tokens、user profile、user history events 等特征。
item端：包括title tokens、brand、category、shopid 等特征。
离线索引(offline indexing)：使用的是item tower，导出item的embedding 构建 QP 索引。
在线服务(online serving)：使用的是query tower，实时计算Query Embedding，模型加载在tensorflow service，在线召回 TopK Item。
整个模型并不复杂，现在很多搜索推荐的召回算法中都有类似的想法，就是把用户和个性化信息作为一个tower，item信息作为另一个tower，然后通过多层的感知机进行训练建模，最后计算相似度排序召回。
模型最终公式如下：
f(q,s)=G(Q(q),S(s))
Q(q)∈Rd×m 表示query的embedding
S(s)∈Rd×m 表示sku的embedding
G 表示打分计算函数，比如内积或者余弦相似度等，具体跟随场景的变化而变化。
乍一看，和DSSM双塔模型很像，有木有？确实，都是双塔模型，但细节方面还是有很大不同：
1.基于multi-heads的query tower
2.基于attention的损失函数
3.设计了不一样的负采样方法。
4.DPSR构建了个性化的在线语义召回模型
【基于multi-heads的query tower】
在query tower这个层面，不单单使用query单个维度去构建Embedding向量，因为从实验来看，单query维度建模效果不是很好，例如我们在query理解那篇文章提到的一个案例（query=苹果，可以是手机，也可以是水果，虽然query文本相同，但代表的意思不同）。
所以在此模型中，就提出了一种multi-heads的query tower，不同的head可以捕获query不同的语义、品牌、属性等，用多个mlp从不同维度建模query的tower。
【基于attention的损失函数】
基于muti-head的query可以训练出多个不同维度Embedding，并将其与item的Embedding计算打分。模型采用了attention loss做优化，r(qi,si+) 为正样本，r(qi,si-) 为负样本，模型优化的 loss 可表示为：
公式如下：
【设计了不一样的负采样方法】
在搜索场景构建正负样本，大多数模型都是基于用户的点击日志这种弱监督数据，同query词下曝光了多个item，点击了为正样本，未点击则是负样本，但其实这种方式对于电商领域来讲存在一些问题，容易引入bad case，因为实际点击行为中，存在很多噪声数据，并且点击了也不一定是强相关的。举个例子搜索“手机”，展示了苹果、华为、小米手机，不能说未点击就是不相关商品。
所以此模型提出一种混合的负采样方式，即random negatives(全局的随机)和batch negatives(batch的随机)的混合负采样，使用了一组超参来调整两者的比例。全局随机服从某种特定分布，而batch的随机则是根据item的点击频次进行采样，最后通过人工监督的方式进行修正。
上图是超参比例调整的实验结果，发现random negatives越多，召回商品的popularity越高，更能吸引用户点击下单，但会降低商品与检索query的相关性。
【DPSR构建了个性化的语义召回模型】
在以上3点的模型设计方案上，基于构建的用户画像和物品画像，使用亿级别的60天用户点击日志的数据集，其中包含56亿个会话，训练个性化语义召回模型。
模型在多个方面做了优化，比如：
1.通过训练数据压缩，修改训练数据格式，把共用的特征数据加载内存，训练时展开从而降低数据存储；
2.可伸缩分布式，切分大的 embedding，并将 sum up 放到 ps 以解决带宽瓶颈；
3.模型分片部署，可以支持上百个模型同时服务或者 A/B 实验；
总体来说，模型效果不错，总体效果如下：
DPSR在语义层面、个性化层面做了很多尝试，在实际的工业级搜索引擎的召回过程中还是有很强的借鉴意义。