Platform For AI：召回配置

2.1 演算法原理

DSSM（Deep Structured Semantic Model）是深度雙塔模型，將使用者和物品分別編碼為固定維度向量，通過向量相似性進行召回。

    User Features         Item Features
         |                     |
   ┌─────┴──────┐        ┌─────┴─────┐
   │ User Tower │        │ Item Tower│
   │  (DNN)     │        │  (DNN)    │
   └─────┬──────┘        └─────┬─────┘
    user_embedding         item_embedding
         └──── dot product ────┘
               Match Score

2.2 核心優勢

2.3 關鍵配置參數

2.4 Embedding 維度計算策略

embed_dim_policy 用於自動計算離散特徵的 Embedding 維度，假設特徵枚舉數為 N：

計算樣本（假設特徵枚舉數 N = 10000）：

• EMB_SQRT4_STEP4: round(10000^0.25 / 4) × 4 = round(10 / 4) × 4 = 8

• EMB_LN_STEP4: round(ln(10000) / 4) × 4 = round(9.21 / 4) × 4 = 8

2.5 TorchEasyRec 環境下的 DSSM 特性

在 TorchEasyRec 環境下，DSSM 具備以下特性：

負採樣配置：

{
    "negative_sampler": {
        "sampler_type": "negative_sampler",
        "num_sample": 1024
    }
}

負採樣對向量召回至關重要，通過動態採樣負樣本提升模型區分能力。

2.5 TorchEasyRec 線上服務架構

TorchEasyRec 服務元件：

• FG 編碼：保證離線/線上特徵一致性

• User Tower：Torch ScriptModule 即時推理使用者向量

• FAISS 索引：CPU 即可高效檢索（部署在 PAI-EAS CPU 機型）

• TorchEasyRec Processor：easyrec-torch-{version} ，參考版本列表

部署配置樣本：

{
  "processor": "easyrec-torch-1.12",
  "model_config": {
    "fg_mode": "normal",
    "faiss_neigh_num": 500,
    "faiss_nprobe": 1000,
    "steady_mode": true,
    "period": 2880
  }
}

3.1 全域熱門召回

原理：基於全站使用者行為統計，返回全域最熱門的物品。

計算公式：

$$hot\_score=\Sigma (behavior\_weight\times decay(time))$$

適用情境：

• 新使用者冷啟動（無歷史行為）

• 兜底召回策略

• 熱門內容分發

配置要點：

3.2 使用者分組熱門召回

原理：將使用者按屬性（性別、年齡段、地區等）分組，統計各組內的熱門物品。

適用情境：

• 猜你喜歡首頁

• 不同人群偏好差異大的情境

優勢：

• 相比全域熱門更個人化

• 實現簡單，無需使用者歷史行為

3.3 物品分組熱門召回

原理：按物品屬性（類目、標籤等）分組，統計各組內的熱門物品。

適用情境：

• 詳情頁相關推薦，當協同過濾等演算法得到的相關物品不夠時（下面的ETrec I2I 召回），用分組熱門補全

• 基於當前物品的同類熱門推薦

4.1 ETrec U2I 召回

參考文檔：協同過濾etrec

原理：基於物品的協同過濾演算法（Item-based CF）。通過統計使用者-物品互動行為，計算物品之間的共現相似性，為使用者推薦與其歷史互動物品相似的其他物品。

核心特點：

• 支援即時行為觸發（U2I Trigger）

• 時間衰減：近期行為權重更高

• 多行為融合：點擊、收藏、加購等行為加權

關鍵配置：

4.2 ETrec I2I 召回

原理：基於物品的協同過濾，計算物品之間的相似性。

適用情境：

• 相關推薦（看了又看）

• 詳情頁相似物品推薦

相似性計算：

• 基於共現：兩個物品被同一使用者互動的次數

• 基於向量：物品 Embedding 的餘弦相似性

4.3 Swing U2I 召回

參考文檔：Swing演算法工具

原理：改進的協同過濾演算法，通過使用者-物品二部圖的 Swing 結構計算相似性。

核心思想：

• 如果兩個物品被大量共同使用者互動，則它們相似

• 引入使用者活躍度懲罰：活躍使用者權重降低

優勢：

• 緩解熱門物品過度推薦問題

• 發現長尾物品的關聯關係

4.4 SimRank U2I 召回

參考文檔：SimRank++相似性計算演算法

⚠️ 資源提示：SimRank 計算涉及多次迭代和全圖隨機遊走，資源消耗較大。建議使用 MaxCompute 包月資源以降低成本。

原理：基於圖結構的相似性演算法，通過隨機遊走計算節點相似性。

核心思想：

• 如果兩個使用者互動的相似物品多，則他們相似

• 如果兩個物品被相似的使用者互動，則它們相似

適用情境：

• 使用者行為稀疏的情境

• 需要挖掘間接關聯關係

特點：

• 迭代計算，收斂較慢

• 能捕捉多跳關聯

5.1 為什麼要分情境？

不同情境的使用者意圖和推薦目標不同，需要採用不同的召回策略：

5.2 猜你喜歡情境

適用演算法：

• DSSM 向量召回：核心演算法，深度個人化

• ETrec U2I：基於使用者歷史行為的協同過濾

• Swing U2I：發現長尾興趣

• SimRank U2I：挖掘間接關聯

• 使用者分組熱門：冷啟動兜底

配置特點：

• 強調使用者個人化

• 多路召回融合

• 多樣性控制

5.3 相關推薦情境

適用演算法：

• ETrec I2I：基於物品相似性的協同過濾

• 物品分組熱門：同類目熱門推薦

• DSSM 向量召回：語義相似性匹配

配置特點：

• 以當前物品為觸發

• 強調內容相關性

• 同類目/同主題優先

5.4 演算法-情境映射表

6.1 按業務階段選型

6.2 多路召回融合

生產環境通常採用多路召回策略：

融合策略：

• 加權融合：各路召回設定不同權重

• 去重融合：按物品 ID 去重，保留最高得分

• 配額融合：每路召回固定配額數量