召回模型

召回模型是推荐系统中的重要组成部分，用于从海量物品中快速召回与用户相关的候选集。Torch-RecHub 提供了多种先进的召回模型，涵盖了不同的召回策略和建模方式。

1. DSSM

功能描述

DSSM（Deep Structured Semantic Models）是一种经典的双塔召回模型，通过将用户和物品映射到同一向量空间，计算向量相似度来进行召回。

论文引用

Huang, Po-Sen, et al. "Learning deep structured semantic models for web search using clickthrough data." Proceedings of the 22nd ACM international conference on Information & Knowledge Management. 2013.

核心原理

双塔结构：包含用户塔和物品塔两个独立的神经网络
特征嵌入：将用户和物品特征分别映射到低维向量空间
相似度计算：使用余弦相似度或点积计算用户和物品向量的相似度
负采样：通过负采样训练模型，优化排序性能

使用方法

python

import os

from torch_rechub.models.matching import DSSM
from torch_rechub.basic.features import SparseFeature, DenseFeature

# 定义特征
user_features = [
    SparseFeature(name="user_id", vocab_size=10000, embed_dim=32),
    DenseFeature(name="age", embed_dim=1)
]

item_features = [
    SparseFeature(name="item_id", vocab_size=100000, embed_dim=32),
    SparseFeature(name="category", vocab_size=1000, embed_dim=16)
]

# 创建模型
model = DSSM(
    user_features=user_features,
    item_features=item_features,
    temperature=1.0,  # 当前 DSSM forward 尚未使用该参数
    user_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "prelu"},
    item_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "prelu"}
)

参数说明

参数	类型	描述	默认值
user_features	list	用户特征列表	None
item_features	list	物品特征列表	None
temperature	float	保留参数；当前 DSSM `forward` 未将它应用到分数	1.0
user_params	dict	用户塔网络参数	None
item_params	dict	物品塔网络参数	None

适用场景

文本匹配场景
大规模推荐系统
冷启动问题

2. FaceBookDSSM

功能描述

FaceBookDSSM 是 Facebook 提出的 DSSM 变种，采用了不同的网络结构和损失函数，进一步提高了召回效果。

核心原理

双塔结构：继承了 DSSM 的双塔结构
深层网络：使用更深的网络结构，提高模型的表达能力
改进的损失函数：使用改进的损失函数，优化模型训练
特征工程：注重特征工程，支持多种特征类型

使用方法

python

from torch_rechub.models.matching import FaceBookDSSM

# 创建模型
model = FaceBookDSSM(
    user_features=user_features,
    pos_item_features=item_features,
    neg_item_features=neg_item_features,
    user_params={"dims": [512, 256, 128], "dropout": 0.3, "activation": "relu"},
    item_params={"dims": [512, 256, 128], "dropout": 0.3, "activation": "relu"},
)

参数说明

参数	类型	描述	默认值
user_features	list	用户特征列表	None
pos_item_features	list	正样本物品特征列表	必填
neg_item_features	list	与正样本对应的负样本特征列表	必填
user_params	dict	用户塔网络参数	None
item_params	dict	正负物品共用的物品塔参数	None

FaceBookDSSM.forward() 返回 (pos_score, neg_score)，应配合 MatchTrainer(mode=1) 的 pair-wise/BPR 损失，不是 DSSM 的 point-wise 数据格式。

适用场景

大规模推荐系统
广告召回
内容推荐

3. YoutubeDNN

功能描述

YoutubeDNN 是 YouTube 提出的深度召回模型，基于用户历史行为序列预测下一个观看的视频。

论文引用

Covington, Paul, Jay Adams, and Emre Sargin. "Deep neural networks for youtube recommendations." Proceedings of the 10th ACM conference on recommender systems. 2016.

核心原理

序列建模：使用深度神经网络建模用户历史行为序列
负采样：采用负采样技术，提高训练效率
双塔结构：包含用户塔和物品塔，支持离线预计算物品嵌入
多目标优化：同时优化点击率和观看时长等多个目标

使用方法

python

from torch_rechub.models.matching import YoutubeDNN
from torch_rechub.basic.features import SequenceFeature

# 定义序列特征
user_features = [
    SequenceFeature(name="user_history", vocab_size=100000, embed_dim=32, pooling="mean"),
    SparseFeature(name="user_id", vocab_size=10000, embed_dim=16)
]

item_features = [
    SparseFeature(name="item_id", vocab_size=100000, embed_dim=32),
    SparseFeature(name="category", vocab_size=1000, embed_dim=16)
]

# 创建模型
model = YoutubeDNN(
    user_features=user_features,
    item_features=item_features,
    neg_item_feature=neg_item_feature,
    user_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"},
    temperature=0.02
)

参数说明

参数	类型	描述	默认值
user_features	list	用户特征列表	None
item_features	list	物品特征列表	None
neg_item_feature	list	负样本 ID 序列，需使用 `pooling="concat"` 并与正样本 ID 共享 embedding	必填
user_params	dict	用户塔网络参数	None
temperature	float	温度参数	0.02

适用场景

视频推荐
音乐推荐
内容推荐
基于历史行为的推荐

4. YoutubeSBC

功能描述

YoutubeSBC（Sample Bias Correction）是 YouTube 提出的改进版深度召回模型，解决了采样偏差问题。

论文引用

Wu, Liang, et al. "RecSys 2019 tutorial: Deep learning for recommendations." Proceedings of the 13th ACM Conference on Recommender Systems. 2019.

核心原理

采样偏差校正：引入采样偏差校正机制，提高模型的泛化能力
双塔结构：继承了 YoutubeDNN 的双塔结构
改进的训练方法：使用改进的训练方法，优化模型性能

使用方法

python

from torch_rechub.models.matching import YoutubeSBC

# 创建模型
model = YoutubeSBC(
    user_features=user_features,
    item_features=item_features,
    sample_weight_feature=sample_weight_feature,
    user_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"},
    item_params={"dims": [256, 128, 64], "dropout": 0.2, "activation": "relu"},
    batch_size=256,
    n_neg=3,
    temperature=0.02,
)

参数说明

参数	类型	描述	默认值
user_features	list	用户特征列表	None
item_features	list	物品特征列表	None
sample_weight_feature	list	用于采样偏差校正的物品采样权重特征	必填
user_params	dict	用户塔网络参数	None
item_params	dict	物品塔网络参数	None
batch_size	int	必须与 DataLoader 的 batch size 一致	必填
n_neg	int	每个正样本的 batch 内负样本数，必须小于 batch size	3
temperature	float	温度参数	0.02

适用场景

大规模推荐系统
采样偏差问题严重的场景
内容推荐

5. MIND

功能描述

MIND（Multi-Interest Network with Dynamic Routing）是一种多兴趣召回模型，能够为每个用户学习多个兴趣表示。

论文引用

Chen, Jiaxi, et al. "Multi-interest network with dynamic routing for recommendation at Tmall." Proceedings of the 28th ACM International Conference on Information and Knowledge Management. 2019.

核心原理

多兴趣建模：为每个用户学习多个兴趣向量
动态路由：使用胶囊网络中的动态路由机制，自适应地聚合用户兴趣
兴趣演化：捕捉用户兴趣的动态变化
双塔结构：支持离线预计算物品嵌入

使用方法

python

from torch_rechub.models.matching import MIND

user_features = [SparseFeature("user_id", vocab_size=10000, embed_dim=16)]
history_features = [
    SequenceFeature("hist_item_id", vocab_size=100000, embed_dim=16,
                    pooling="concat", shared_with="item_id")
]
item_features = [SparseFeature("item_id", vocab_size=100000, embed_dim=16)]
neg_item_feature = [
    SequenceFeature("neg_items", vocab_size=100000, embed_dim=16,
                    pooling="concat", shared_with="item_id")
]

# 创建模型
model = MIND(
    user_features=user_features,
    history_features=history_features,
    item_features=item_features,
    neg_item_feature=neg_item_feature,
    max_length=50,
    interest_num=4,
    temperature=0.02
)

参数说明

参数	类型	描述	默认值
user_features	list	非序列用户特征	必填
history_features	list	`pooling="concat"` 的历史物品序列	必填
item_features	list	正样本物品 ID 特征	必填
neg_item_feature	list	`pooling="concat"` 的负样本 ID 序列	必填
max_length	int	输入历史序列的固定长度	必填
interest_num	int	学习的兴趣数量	4
temperature	float	温度参数	0.02

适用场景

用户兴趣多样化的场景
电商推荐
内容推荐

6. GRU4Rec

功能描述

GRU4Rec 是一种基于 GRU（Gated Recurrent Unit）的序列推荐模型，能够捕获用户行为序列中的动态依赖关系。

论文引用

Hidasi, Balázs, et al. "Session-based recommendations with recurrent neural networks." arXiv preprint arXiv:1511.06939 (2015).

核心原理

GRU 序列建模：使用 GRU 捕捉用户行为序列的动态变化
会话推荐：专注于会话内的推荐，不需要用户历史数据
负采样：采用负采样技术，提高训练效率
BPR 损失：使用 BPR 损失函数，优化排序性能

使用方法

python

from torch_rechub.models.matching import GRU4Rec

# 定义序列特征
user_features = [
    SequenceFeature(name="user_history", vocab_size=100000, embed_dim=32, pooling=None)
]

# 创建模型
model = GRU4Rec(
    user_features=user_features,
    history_features=history_features,
    item_features=item_features,
    neg_item_feature=neg_item_feature,
    user_params={"dims": [128, 64, 16], "dropout": 0.2},
    temperature=0.02,
)

参数说明

参数	类型	描述	默认值
user_features	list	用户特征列表	None
history_features	list	`pooling="concat"` 的历史序列；当前实现只使用第一个序列	必填
item_features	list	正样本物品 ID 特征	必填
neg_item_feature	list	`pooling="concat"` 的负样本 ID 序列	必填
user_params	dict	用户 MLP 参数，最后一层需与 item embedding 维度一致	必填
temperature	float	温度参数	0.02

当前 GRU4Rec.forward() 的 list-wise 求和维度与候选物品轴不一致，不建议把这一节的构造片段当作稳定的可训练教程；待实现修正后应配合 list-wise 数据使用。

适用场景

会话推荐
短序列推荐
电商场景

7. NARM

功能描述

NARM（Neural Attentive Session-based Recommendation）是一种基于注意力机制的会话推荐模型，能够同时捕获会话内的局部和全局兴趣。

论文引用

Li, Jing, et al. "Neural attentive session-based recommendation." Proceedings of the 2017 ACM on Conference on Information and Knowledge Management. 2017.

核心原理

GRU 序列建模：使用 GRU 捕捉会话内的序列依赖
注意力机制：引入注意力机制，捕获会话内的局部兴趣
全局表示：同时学习会话的全局表示，结合局部和全局兴趣
会话推荐：专注于会话内的推荐

使用方法

python

from torch_rechub.models.matching import NARM

# 创建模型
model = NARM(
    item_history_feature=item_history_feature,
    hidden_dim=64,
    emb_dropout_p=0.2,
    session_rep_dropout_p=0.2,
    item_feature=item_feature,  # 仅在 batch 内负采样/物品塔推理时需要
)

参数说明

参数	类型	描述	默认值
item_history_feature	SequenceFeature	会话 item 序列，0 为 padding	必填
hidden_dim	int	GRU 隐藏维度	必填
emb_dropout_p	float	item embedding dropout	必填
session_rep_dropout_p	float	会话表示 dropout	必填
item_feature	SparseFeature or None	可选的目标 item ID，用于独立 item tower/批内负采样	None

适用场景

会话推荐
短序列推荐
局部和全局兴趣建模

8. SASRec

功能描述

SASRec（Self-Attentive Sequential Recommendation）是一种基于自注意力机制的序列推荐模型，能够捕获用户行为序列中的长距离依赖关系。

论文引用

Kang, Wang-Cheng, and Julian McAuley. "Self-attentive sequential recommendation." 2018 IEEE International Conference on Data Mining (ICDM). IEEE, 2018.

核心原理

自注意力机制：使用多头自注意力机制捕获序列中的长距离依赖
位置编码：添加位置信息，保留序列的顺序信息
层归一化：加速模型收敛，提高训练稳定性
残差连接：增强模型的表达能力

使用方法

python

from torch_rechub.models.matching import SASRec

# 创建模型
model = SASRec(
    features=[seq_feature, pos_feature, neg_feature],
    max_len=50,
    dropout_rate=0.2,
    num_blocks=2,
    num_heads=4,
)

参数说明

参数	类型	描述	默认值
features	list	顺序固定为历史序列、正样本序列、负样本序列，同为 `SequenceFeature`	必填
max_len	int	序列长度	50
dropout_rate	float	Embedding/注意力/FFN dropout	0.5
num_blocks	int	Self-Attention block 数	2
num_heads	int	注意力头数，需整除 embedding 维度	1
item_feature	SparseFeature or None	实验性的独立 item tower 特征	None

当前 SASRec 在 forward 中构造 CPU mask/position，而 item_feature 分支还访问了不存在的 embedding 属性；因此本页只列出源码中的真实构造接口，不将 GPU 或 item-tower 路径声明为可用。

适用场景

长序列推荐
用户行为序列重要的场景
顺序推荐任务

9. SINE

功能描述

SINE（Sparse Interest Network for Sequential Recommendation）是一种稀疏兴趣网络，能够有效地建模用户的稀疏兴趣。

论文引用

Chen, Jiaxi, et al. "SINE: A sparse interest network for sequential recommendation." Proceedings of the 14th ACM Conference on Recommender Systems. 2021.

核心原理

稀疏兴趣建模：专门处理用户兴趣稀疏的问题
动态路由：使用动态路由机制，自适应地聚合用户兴趣
兴趣演化：捕捉用户兴趣的动态变化
高效计算：优化了计算效率，适合大规模数据

使用方法

python

from torch_rechub.models.matching import SINE

# 创建模型
model = SINE(
    history_features=["hist_item_id"],
    item_features=["item_id"],
    neg_item_features=["neg_items"],
    num_items=100000,
    embedding_dim=32,
    hidden_dim=64,
    num_concept=100,
    num_intention=4,
    seq_max_len=50,
    num_heads=4,
    temperature=0.02
)

参数说明

参数	类型	描述	默认值
history_features	list[str]	历史 item 序列字段名；当前只使用第一个	必填
item_features	list[str]	正样本 item 字段名	必填
neg_item_features	list[str]	负样本 item 序列字段名	必填
num_items	int	包含 padding 的 item 词表大小	必填
embedding_dim	int	Embedding 维度	必填
hidden_dim	int	注意力隐藏维度	必填
num_concept	int	全局概念原型数	必填
num_intention	int	每个用户选取的意图数	必填
seq_max_len	int	输入固定序列长度	必填
num_heads	int	自注意力头数	1
temperature	float	温度参数	0.02

适用场景

用户兴趣稀疏的场景
大规模推荐系统
电商推荐

10. STAMP

功能描述

STAMP（Short-Term Attention/Memory Priority Model）是一种基于注意力机制的会话推荐模型，专注于近期用户行为的建模。

论文引用

Liu, Qiao, et al. "STAMP: short-term attention/memory priority model for session-based recommendation." Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining. 2018.

核心原理

短期注意力：专注于近期用户行为，给予近期行为更高的权重
记忆模块：维护一个记忆向量，捕获会话的全局信息
会话推荐：专注于会话内的推荐
简单高效：模型结构简单，计算效率高

使用方法

python

from torch_rechub.models.matching import STAMP

# 创建模型
model = STAMP(
    item_history_feature=item_history_feature,
    weight_std=0.05,
    emb_std=0.05,
    item_feature=item_feature,  # 仅在 batch 内负采样/物品塔推理时需要
)

参数说明

参数	类型	描述	默认值
item_history_feature	SequenceFeature	会话 item 序列，0 为 padding	必填
weight_std	float	注意力参数初始化标准差	必填
emb_std	float	Embedding/线性层初始化标准差	必填
item_feature	SparseFeature or None	可选的目标 item ID，用于 item tower/批内负采样	None

适用场景

会话推荐
短期兴趣建模
电商场景

11. ComirecDR

功能描述

ComirecDR（Controllable Multi-Interest Recommendation with Dynamic Routing）是一种可控多兴趣推荐模型，允许控制生成的兴趣数量。

论文引用

Chen, Jiaxi, et al. "Controllable multi-interest framework for recommendation." Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2020.

核心原理

可控多兴趣：允许控制生成的兴趣数量
动态路由：使用动态路由机制，自适应地聚合用户兴趣
双塔结构：支持离线预计算物品嵌入
高效计算：优化了计算效率，适合大规模数据

使用方法

python

from torch_rechub.models.matching import ComirecDR

# 创建模型
model = ComirecDR(
    user_features=user_features,
    history_features=history_features,
    item_features=item_features,
    neg_item_feature=neg_item_feature,
    max_length=50,
    interest_num=4,
    temperature=0.02,
)

参数说明

参数	类型	描述	默认值
user_features	list	非序列用户特征	必填
history_features	list	`pooling="concat"` 的历史 item 序列	必填
item_features	list	正样本 item 特征	必填
neg_item_feature	list	`pooling="concat"` 的负样本 item 序列	必填
max_length	int	固定历史序列长度	必填
interest_num	int	兴趣数量	4
temperature	float	温度参数	0.02

适用场景

可控多兴趣推荐
用户兴趣多样化的场景
大规模推荐系统

12. ComirecSA

功能描述

ComirecSA（Controllable Multi-Interest Recommendation with Self-Attention）是 Comirec 的自注意力版本，使用自注意力机制建模用户兴趣。

核心原理

自注意力机制：使用自注意力机制捕获用户行为序列中的依赖关系
可控多兴趣：允许控制生成的兴趣数量
双塔结构：支持离线预计算物品嵌入
高效计算：优化了计算效率，适合大规模数据

使用方法

python

from torch_rechub.models.matching import ComirecSA

# 创建模型
model = ComirecSA(
    user_features=user_features,
    history_features=history_features,
    item_features=item_features,
    neg_item_feature=neg_item_feature,
    interest_num=4,
    temperature=0.02,
)

参数说明

参数	类型	描述	默认值
user_features	list	非序列用户特征	必填
history_features	list	`pooling="concat"` 的历史 item 序列	必填
item_features	list	正样本 item 特征	必填
neg_item_feature	list	`pooling="concat"` 的负样本 item 序列	必填
interest_num	int	兴趣数量	4
temperature	float	温度参数	0.02

适用场景

可控多兴趣推荐
长序列兴趣建模
大规模推荐系统

13. 模型比较

模型	复杂度	表达能力	计算效率	适用场景
DSSM	低	中	高	文本匹配、冷启动
FaceBookDSSM	中	高	中	大规模推荐、广告召回
YoutubeDNN	中	高	中	视频推荐、内容推荐
YoutubeSBC	中	高	中	大规模推荐、采样偏差场景
MIND	中	高	中	多兴趣推荐、电商场景
GRU4Rec	中	中	高	会话推荐、短序列推荐
NARM	中	中	中	会话推荐、局部全局兴趣
SASRec	高	高	低	长序列推荐、顺序推荐
SINE	高	高	中	稀疏兴趣建模、大规模推荐
STAMP	低	中	高	会话推荐、短期兴趣
ComirecDR	中	高	中	可控多兴趣、大规模推荐
ComirecSA	高	高	中	可控多兴趣、长序列推荐

14. 使用建议

根据数据特点选择模型：
- 长序列数据推荐使用 SASRec、ComirecSA
- 会话数据推荐使用 GRU4Rec、NARM、STAMP
- 多兴趣场景推荐使用 MIND、ComirecDR、ComirecSA
根据计算资源选择模型：
- 计算资源有限时推荐使用 DSSM、GRU4Rec、STAMP
- 计算资源充足时可以尝试更复杂的模型，如 SASRec、SINE
考虑业务需求：
- 需要可控多兴趣时推荐使用 ComirecDR、ComirecSA
- 需要处理稀疏兴趣时推荐使用 SINE
- 需要处理采样偏差时推荐使用 YoutubeSBC
尝试多种召回策略融合：
- 不同召回模型可能捕获不同的用户兴趣，模型融合可以提高最终召回效果
- 可以结合内容召回、协同召回等多种召回策略

15. 代码示例：完整的召回模型训练流程

python

import os

from torch_rechub.models.matching import DSSM
from torch_rechub.trainers import MatchTrainer
from torch_rechub.utils.data import MatchDataGenerator
from torch_rechub.basic.features import SparseFeature, DenseFeature

# 1. 定义特征
user_features = [
    SparseFeature(name="user_id", vocab_size=10000, embed_dim=32),
    DenseFeature(name="age", embed_dim=1),
    SparseFeature(name="gender", vocab_size=3, embed_dim=8)
]

item_features = [
    SparseFeature(name="item_id", vocab_size=100000, embed_dim=32),
    SparseFeature(name="category", vocab_size=1000, embed_dim=16)
]

# 2. 准备数据
# 假设 x 和 y 是已经处理好的特征和标签数据
# x 包含用户特征和物品特征
x = {
    "user_id": user_id_data,
    "age": age_data,
    "gender": gender_data,
    "item_id": item_id_data,
    "category": category_data
}
y = label_data  # 点击/不点击标签

# 测试用户数据和所有物品数据
x_test_user = {
    "user_id": test_user_id_data,
    "age": test_age_data,
    "gender": test_gender_data
}
x_all_item = {
    "item_id": all_item_id_data,
    "category": all_item_category_data
}

# 3. 创建数据生成器
dg = MatchDataGenerator(x, y)
train_dl, test_dl, item_dl = dg.generate_dataloader(
    x_test_user=x_test_user,
    x_all_item=x_all_item,
    batch_size=256,
    num_workers=8
)

# 4. 创建模型
model = DSSM(
    user_features=user_features,
    item_features=item_features,
    temperature=1.0,  # 当前 DSSM forward 尚未使用该参数
    user_params={"dims": [256, 128, 64], "activation": "prelu"},
    item_params={"dims": [256, 128, 64], "activation": "prelu"}
)

# 5. 创建训练器
trainer = MatchTrainer(
    model=model,
    mode=0,  # 0: point-wise, 1: pair-wise, 2: list-wise
    optimizer_params={"lr": 0.001, "weight_decay": 0.0001},
    n_epoch=50,
    earlystop_patience=10,
    device="cpu",
    model_path="saved/dssm"
)

# 6. 训练模型
os.makedirs("saved/dssm", exist_ok=True)
# test_dl / item_dl 是无标签的向量推理 DataLoader，不能作为验证集传给 fit
trainer.fit(train_dl)

# 7. 导出 ONNX 模型（先安装：pip install "torch-rechub[onnx]"）
# 导出用户塔
trainer.export_onnx("user_tower.onnx", mode="user")
# 导出物品塔
trainer.export_onnx("item_tower.onnx", mode="item")

# 8. 向量召回示例
# 生成用户嵌入
user_embeddings = trainer.inference_embedding(model, mode="user", data_loader=test_dl, model_path="saved/dssm")
# 生成物品嵌入
item_embeddings = trainer.inference_embedding(model, mode="item", data_loader=item_dl, model_path="saved/dssm")

# 使用 Annoy 或 Faiss 进行向量索引和召回
# 这里以 Annoy 为例
# 先安装：pip install "torch-rechub[annoy]"
from annoy import AnnoyIndex

# 创建索引
index = AnnoyIndex(64, 'angular')  # 64 是嵌入维度
for i, embedding in enumerate(item_embeddings):
    index.add_item(i, embedding.tolist())
index.build(10)  # 10棵树

# 召回示例
user_idx = 0
user_emb = user_embeddings[user_idx].tolist()
recall_results = index.get_nns_by_vector(user_emb, 10)  # 召回 top 10 物品
print(f"User {user_idx} 召回的物品: {recall_results}")

16. 常见问题与解决方案

Q: 如何处理大规模物品集？

A: 可以尝试以下方法：

使用双塔结构，支持离线预计算物品嵌入
使用近似最近邻搜索库（如 Annoy、Faiss）加速向量检索
采用分层召回策略，先粗召回再精召回

Q: 如何处理冷启动问题？

A: 可以尝试以下方法：

对于新用户，使用基于内容的召回
对于新物品，使用协同过滤或基于内容的召回
使用迁移学习，从其他相关领域迁移知识

Q: 如何评估召回模型的效果？

A: 常用的召回评估指标包括：

Recall@K：前 K 个召回结果中相关物品的比例
Precision@K：前 K 个召回结果中相关物品的比例
NDCG@K：考虑排序的召回质量
Hit@K：是否召回至少一个相关物品
MRR@K：平均倒数排名

Q: 如何选择合适的负采样策略？

A: 常见的负采样策略包括：

随机负采样：简单高效，但可能采样到不相关的物品
基于流行度的负采样：根据物品流行度采样，更符合实际情况
困难负采样：采样与正样本相似的负样本，提高模型的区分能力
对比学习中的负采样：如 MoCo、SimCLR 等方法

Q: 如何优化召回模型的性能？

A: 可以尝试以下方法：

增加模型深度和宽度，提高模型表达能力
使用更高级的特征工程
优化负采样策略
尝试模型融合
调整温度参数，优化相似度分布

17. 召回模型部署建议

离线预计算：对于双塔模型，离线预计算物品嵌入，减少在线计算量
向量索引：使用高效的向量索引库（如 Faiss）存储物品嵌入，加速在线检索
分层部署：采用分层召回架构，先使用简单模型粗召回，再使用复杂模型精召回
缓存机制：缓存高频用户的召回结果，减少重复计算
实时更新：定期更新物品嵌入，保证召回结果的时效性
A/B 测试：通过 A/B 测试验证不同召回策略的效果

召回模型是推荐系统的重要组成部分，选择合适的召回模型并进行优化，可以显著提高推荐系统的整体效果。Torch-RecHub 提供了丰富的召回模型，涵盖了不同的召回策略，方便开发者根据业务需求选择和使用。

召回模型 ​

1. DSSM ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

2. FaceBookDSSM ​

功能描述 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

3. YoutubeDNN ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

4. YoutubeSBC ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

5. MIND ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

6. GRU4Rec ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

7. NARM ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

8. SASRec ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

9. SINE ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

10. STAMP ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

11. ComirecDR ​

功能描述 ​

论文引用 ​

核心原理 ​

使用方法 ​

参数说明 ​

适用场景 ​

12. ComirecSA ​

功能描述 ​

核心原理 ​

召回模型

1. DSSM

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

2. FaceBookDSSM

功能描述

核心原理

使用方法

参数说明

适用场景

3. YoutubeDNN

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

4. YoutubeSBC

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

5. MIND

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

6. GRU4Rec

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

7. NARM

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

8. SASRec

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

9. SINE

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

10. STAMP

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

11. ComirecDR

功能描述

论文引用

核心原理

使用方法

参数说明

适用场景

12. ComirecSA

功能描述

核心原理