第5章 召回

5.2 向量化召回统一建模框架

• [[向量化召回统一建模框架]]

• [[向量召回]] 基本流程 #incremental #card

  • （1）训练一个模型 $M$ ，将 $Q$ 中的每个实例 $q$ 和T中的每个实例 $t$ 都映射到同一个向量空间。

  • （2）将T中几十万，上百万个实例喂入模型M，映射成向量。再把这几十万，上百万个向量灌入Faiss或Milvus这样的向量数据库，建立索引。

  • （3）在线服务时，对于一个Q类的实例 $q$ ，通过模型M将其映射成向量 $\mathbf{E m b}_q$ 。再在向量数据库中，通过近似最近邻（ANN）搜索算法，查找与 $\mathbf{E m b}_q$ 最近的 $K$ 个 $T$ 类的邻居向量 $\mathbf{E m b}_{t_i}$ 。这些邻居向量对应的 $t_i(1 \leqslant i \leqslant K)$ 作为召回结果返回。

5.3 借助 [[Word2Vec]]

• [[Item2Vec]]

• [[@Real-time Personalization using Embeddings for Search Ranking at Airbnb]]

• 阿里巴巴 2018 [[EGES]]

5.4 “瑞士军刀”FM的召回功能

• 部分内容来源于文章 [[fm：推荐算法中的瑞士军刀]]

• [[热门打压]]

• [[batch 内负采样]]

• [[混合负采样]]