参考这篇文章：

https://zhuanlan.zhihu.com/p/128988454

《谷歌最新双塔DNN召回模型——应用于YouTube大规模视频推荐场景》

 

https://zhuanlan.zhihu.com/p/93257390

《向量化召回在360信息流广告的实践》

 

先是第一篇：

https://zhuanlan.zhihu.com/p/128988454

 

上述模型训练过程可以归纳为：

（1）从实时数据流中采样得到一个batch的样本

（2）基于下文即将提到的采样概率估计算法得到采样概率pi

（3）计算上文介绍的修正后的损失函数

（4）利用SGD更新模型参数

 

（1）近邻搜索：当模型训练完成之后，我们首先可以对候选视频进行inference得到视频侧的embedding向量，并对这些embedding构建索引用于线上查询使用，当线上有用户侧的请求到来是，模型只需要首先对该用户进行预测得到请求侧的embedding，然后从构建好索引的视频侧embedding中检索出top视频即可，这里需要说明的是很难进行最近邻的搜索（线上耗时的考虑），所以会采用一些近似最近邻的检索算法或者方式进行处理

（2）归一化处理：文章提到对两个塔输出的embedding向量进行归一化处理后会有效果上的提升，同时对归一化后的内积值引入了一个超参数用来调整最终的输出

（3）模型分布式训练：论文中对模型分布式训练进行了简要的介绍，具体可以参考论文中的表述

（4）hash冲突：由于在采样频率估计中使用到了hash算法，会在一定程度上存在hash冲突的问题，为了解决该问题，文章提出了一种改进的采样频率估计算法

 

 

 

 

 

 

 

然后是第二篇：

https://zhuanlan.zhihu.com/p/93257390

 

整个系统分为线上和线下两个部分，线下部分主要完成深层模型的训练以及广告索引库的建立，线上部分主要完成对用户请求的处理、为用户返回对应的Top-N候选广告集。

 

1、离线部分

离线模型采用的是类似DSSM模型的结构，具体模型输入包括两个部分：1、广告侧的特征；2、用户请求上下文的相关特征，将两部分特征喂给类似DSSM这样的双塔网络中进行学习，DSSM模型结构如下所示：

 

 

 

 

线上系统收到用户请求之后，会利用线上部署的模型计算得到该请求对应的Embedding向量，然后利用HNSW算法从候选广告集中检索出近似Top-N的候选广告，这部分广告经过相关的过滤（包括多路召回结果的合并等操作）之后最终进入排序模型。

 

三、总结

线上AB实验效果，CTR增长2.5%，相当于召回了更多高质量（高点击概率）的广告，主要得益于模型训练的样本采用的是展示点击样本，相当于是用广告向量和请求向量的匹配分数去拟和点击分布，相当于赋予内积形式以具体的物理含义。总的来看ANN向量化召回是一种训练部署较为简单，召回质量较高的一种召回方法。

 

四、思考

这一版ANN向量化召回模型是第一版，思考总结了一些后续可以继续优化的方面：

1、目前候选广告集并未采用全量广告集，后续可以考虑采用全量广告构建索引，同时需要考虑全量带来的检索的耗时开销，是否存在更高效的建立索引的方式（如参考TDM）

2、考虑更丰富的特征维度来刻画广告和请求侧的Embedding向量

3、目前采用展示点击广告进行模型训练迭代，相当于是把高点击率作为召回目标，该方法针对CPC广告主是适用的，能否针对oCPC进行转化率方面的优化，或者借鉴ESMM模型的思路对CTCVR进行联合优化