рддрдХрдиреАрдХреА рдЧрд╛рдЗрдб

рджреЛ-рдЯреЙрд╡рд░ рд╕рд┐рдлрд╝рд╛рд░рд┐рд╢ рдореЙрдбрд▓

рдПрдХ рджреЛ-рдЯреЙрд╡рд░ recommender рдЙрдкрдпреЛрдЧрдХрд░реНрддрд╛ рдпрд╛ рдХреНрд╡реЗрд░реА рдФрд░ рдкреНрд░рддреНрдпреЗрдХ рдЙрдореНрдореАрджрд╡рд╛рд░ рдЖрдЗрдЯрдо рдХреЛ рдЕрд▓рдЧ-рдЕрд▓рдЧ рд╡реЗрдХреНрдЯрд░ рдореЗрдВ рдПрдиреНрдХреЛрдб рдХрд░рддрд╛ рд╣реИ, рдлрд┐рд░ рд╡реЗрдХреНрдЯрд░ рд╕рдорд╛рдирддрд╛ рд╕реЗ рдЬреЛрдбрд╝реА рдХрд╛ рд╕реНрдХреЛрд░ рдХрд░рддрд╛ рд╣реИред

рдЗрд╕ рдЧрд╛рдЗрдб рдХреЛ рд╕реБрдиреЗрдВрдПрдЖрдИ-рдиреИрд░реЗрдЯреЗрдб ┬╖ ~3 min

рдЗрд╕ рдкреГрд╖реНрда рдкрд░3 рдорд┐рдирдЯ рд▓рд╛рд▓
  1. рд╕рд┐рдВрд╣рд╛рд╡рд▓реЛрдХрди
  2. рдЧрд╣рд░рд╛ рдЧреЛрддрд╛
  3. рд╡рд╛рд╕реНрддрд╡рд┐рдХ рд╡рд┐рд╢реНрд╡ рдХрд╛рд░реНрдпрд╛рдиреНрд╡рдпрди
  4. The Future of Two-Tower Recommendation Models
  5. рдЗрд╕реЗ рд╡реНрдпрд╡рд╣рд╛рд░ рдореЗрдВ рд▓рд╛рдирд╛
  6. рдЕрдиреНрд╡реЗрд╖рдг рдХрд░рддреЗ рд░рд╣реЗрдВ
  7. рдЕрдХреНрд╕рд░ рдкреВрдЫреЗ рдЬрд╛рдиреЗ рд╡рд╛рд▓реЗ рдкреНрд░рд╢реНрдиреЛрдВ

рд╕рд┐рдВрд╣рд╛рд╡рд▓реЛрдХрди

Because item vectors can be precomputed and indexed, two-tower models support scalable retrieval before a more detailed ranking stage.

рдЧрд╣рд░рд╛ рдЧреЛрддрд╛

Recommendation systems often separate candidate retrieval from ranking. Retrieval narrows a large catalog to a manageable set of potentially relevant items. A two-tower model uses one encoder for the user or query and another for candidate items. Each tower transforms its own available features into a vector in a shared embedding space. A similarity function, often a dot product or cosine score, ranks candidate pairs. The two encoders can be run independently. Item embeddings may be calculated offline and stored in a nearest-neighbor index. At request time, the user tower creates a query vector and the index returns a shortlist. This separation supports large catalogs more efficiently than evaluating a deep joint model against every item. TensorFlow Recommenders describes this architecture as retrieval with query and candidate models. The independent structure creates a tradeoff. It scales retrieval, but it cannot directly model arbitrary pairwise interactions that require seeing the user and item together, unless those interactions are represented in the embedding training objective or features. A downstream ranker can combine retrieved candidates with richer context, cross-features and operational constraints. Retrieval recall matters: a ranker cannot select an item that was never retrieved. Training often uses positive interactions and sampled or in-batch negatives to shape the embedding space. The negative sampling strategy and exposure logs affect what the model learns. Evaluation should measure recall or ranking among a realistic candidate pool and check cold-start performance. Monitor embedding freshness, index refreshes and feature-version compatibility. A high similarity is a retrieval score, not a calibrated probability or proof of user preference. Eligibility, safety, diversity and policy constraints should be applied in the system design. The architecture makes large-scale search practical, while final user experience depends on candidate coverage, ranking quality and evaluation beyond offline similarity.

рд╡рд╛рд╕реНрддрд╡рд┐рдХ рд╡рд┐рд╢реНрд╡ рдХрд╛рд░реНрдпрд╛рдиреНрд╡рдпрди

A hypothetical music app encodes a listener's recent activity into a user vector and each song's metadata into an item vector. A nearest-neighbor search retrieves songs whose vectors are similar.

A retrieval service precomputes item embeddings and searches them with an approximate nearest-neighbor index, avoiding a full neural-network evaluation for every user-item pair at request time.

A ranking model then considers additional pair-specific context such as current session, freshness and business constraints, which separate towers may not capture during retrieval.

A team checks that user and item embeddings are generated from compatible versions and dimensions; mismatched preprocessing or stale item vectors can degrade similarity scores.

The Future of Two-Tower Recommendation Models

Two-tower systems can become more useful by monitoring candidate recall, embedding freshness and latency alongside final ranking outcomes. Teams should version towers and indexes together and test feature changes before rebuilding retrieval infrastructure. As user and item populations grow, approximate search can improve scale but should be checked against exact retrieval on samples. A separate ranker can add context while preserving a clear retrieval stage. Reports should explain that similarity produces candidates, then show how later filters and ranking influence what users actually see.

рдЗрд╕реЗ рд╡реНрдпрд╡рд╣рд╛рд░ рдореЗрдВ рд▓рд╛рдирд╛

рдпрд╣ рдХреНрдпреЛрдВ рдорд╛рдпрдиреЗ рд░рдЦрддрд╛ рд╣реИ?

  • рд▓рд╛рдЧрдд рдФрд░ рдмрдЬрдЯ. рд╡рд╛рд╕реНрддреБрдХрд▓рд╛ рд╕рдВрдмрдВрдзреА рдирд┐рд░реНрдгрдп рд╡рд░реНрд╖реЛрдВ рддрдХ рдкреНрд░рджрд░реНрд╢рди рдФрд░ рдкрд░рд┐рдЪрд╛рд▓рди рд▓рд╛рдЧрдд рдХреЛ рд╕рдВрдЪрд╛рд▓рд┐рдд рдХрд░рддреЗ рд╣реИрдВред
  • рд╕реНрдкрд╖реНрдЯ рдирд┐рд░реНрдгрдп. рддрдХрдиреАрдХреА рд╢рд┐рдХреНрд╖рд╛ рдЯреАрдореЛрдВ рдХреЛ рд╕рд╣реА рд╕реНрдЯреИрдХ рдЪреБрдирдиреЗ рдореЗрдВ рдорджрдж рдХрд░рддреА рд╣реИ, рди рдХрд┐ рдХреЗрд╡рд▓ рдирд╡реАрдирддрдо рд╕реНрдЯреИрдХ рдЪреБрдирдиреЗ рдореЗрдВред
  • рдЧреБрдгрд╡рддреНрддрд╛ рдирд┐рдпрдВрддреНрд░рдг. рдмреЗрд╣рддрд░ рдЗрдВрдЬреАрдирд┐рдпрд░рд┐рдВрдЧ рд╡рд┐рдХрд▓реНрдк рдЙрддреНрдкрд╛рджрди рдореЗрдВ рд╡рд┐рд╢реНрд╡рд╕рдиреАрдпрддрд╛ рдХреА рдШрдЯрдирд╛рдУрдВ рдХреЛ рдХрдо рдХрд░рддреЗ рд╣реИрдВред

рдХрд╛ рдзреНрдпрд╛рди рд░рдЦреЗрдВ

  • рдПрдХ рдмреЗрдВрдЪрдорд╛рд░реНрдХ рдХреЛ рдЕрдиреБрдХреВрд▓рд┐рдд рдХрд░рдиреЗ рд╕реЗ рд╡реНрдпрд╛рдкрдХ рд╕рд┐рд╕реНрдЯрдо рдХрдордЬреЛрд░рд┐рдпреЛрдВ рдХреЛ рдЫреБрдкрд╛рдпрд╛ рдЬрд╛ рд╕рдХрддрд╛ рд╣реИред
  • рдмреБрдирд┐рдпрд╛рджреА рдврд╛рдВрдЪреЗ рдФрд░ рд░рдЦрд░рдЦрд╛рд╡ рдХреА рд▓рд╛рдЧрдд рдХреЛ рдЕрдХреНрд╕рд░ рдХрдо рдХрд░рдХреЗ рдЖрдВрдХрд╛ рдЬрд╛рддрд╛ рд╣реИред
  • рдЬреИрд╕реЗ-рдЬреИрд╕реЗ рд╕рд┐рд╕реНрдЯрдо рдЕрдзрд┐рдХ рдЬрдЯрд┐рд▓ рд╣реЛрддреЗ рдЬрд╛рдПрдВрдЧреЗ рд╕реБрд░рдХреНрд╖рд╛ рдФрд░ рдЕрд╡рд▓реЛрдХрди рд╕рдВрдмрдВрдзреА рдЕрдВрддрд░рд╛рд▓ рдмрдврд╝ рд╕рдХрддреЗ рд╣реИрдВред

рдЕрдЧрд▓реЗ рдЪрд░рдг

  1. рдХрд╛рд░реНрдпрд╛рдиреНрд╡рдпрди рд╕реЗ рдкрд╣рд▓реЗ рд╡рд┐рд▓рдВрдмрддрд╛, рдЧреБрдгрд╡рддреНрддрд╛ рдФрд░ рд▓рд╛рдЧрдд рд▓рдХреНрд╖реНрдп рдкрд░рд┐рднрд╛рд╖рд┐рдд рдХрд░реЗрдВред
  2. рдпрдерд╛рд░реНрдерд╡рд╛рджреА рд▓реЛрдб рдФрд░ рдбреЗрдЯрд╛ рд╕реНрдерд┐рддрд┐рдпреЛрдВ рдХреЗ рддрд╣рдд рдмреЗрдВрдЪрдорд╛рд░реНрдХред
  3. рддреНрд░реБрдЯрд┐рдпреЛрдВ, рдмрд╣рд╛рд╡ рдФрд░ рдЙрдкрдпреЛрдЧрдХрд░реНрддрд╛ рдкреНрд░рднрд╛рд╡ рдХреЗ рд▓рд┐рдП рдЙрдкрдХрд░рдг рдирд┐рдЧрд░рд╛рдиреАред
  4. рд╕реНрдХреЗрд▓рд┐рдВрдЧ рд╕реЗ рдкрд╣рд▓реЗ рд░реЛрд▓рдмреИрдХ рдФрд░ рдШрдЯрдирд╛ рдкреНрд░рддрд┐рдХреНрд░рд┐рдпрд╛ рдкрде рддреИрдпрд╛рд░ рдХрд░реЗрдВред

рдЕрдиреНрд╡реЗрд╖рдг рдХрд░рддреЗ рд░рд╣реЗрдВ

рдореБрдлрд╝реНрдд рдиреНрдпреВрдЬрд╝рд▓реЗрдЯрд░

рджреИрдирд┐рдХ рдПрдЖрдИ рдмреНрд░реАрдлрд┐рдВрдЧ рдкреНрд░рд╛рдкреНрдд рдХрд░реЗрдВ

рд╣рд░ рдХрд╛рд░реНрдпрджрд┐рд╡рд╕ рдХреА рд╕реБрдмрд╣ рддреАрди рд╕рддреНрдпрд╛рдкрд┐рдд рдПрдЖрдИ рдХрд╣рд╛рдирд┐рдпрд╛рдБ, рд╕рд╛рджреЗ рдЕрдВрдЧреНрд░реЗрдЬреА рдореЗрдВ рд▓рд┐рдЦреА рдЧрдИрдВред рд╣рдореЗрд╢рд╛ рдХреЗ рд▓рд┐рдП рдореБрдлрд╝реНрдд, рдХреЛрдИ рд╡рд┐рдЬреНрдЮрд╛рдкрди рдирд╣реАрдВред

рдкреНрд░рддреНрдпреЗрдХ рд╕рдкреНрддрд╛рд╣ рдХреЗ рджрд┐рди рдПрдХ рдИрдореЗрд▓. рдПрдХ рдХреНрд▓рд┐рдХ рдореЗрдВ рд╕рджрд╕реНрдпрддрд╛ рд╕рдорд╛рдкреНрдд рдХрд░реЗрдВ. рд╣рдо рдЖрдкрдХрд╛ рдкрддрд╛ рдХрднреА рдирд╣реАрдВ рдмреЗрдЪрддреЗ рдпрд╛ рд╕рд╛рдЭрд╛ рдирд╣реАрдВ рдХрд░рддреЗред

рд╕реНрд╡рдпрдВ рдХреА рдЬрд╛рдВрдЪ рдХрд░реЛ

Take the Two-Tower Recommendation Models quiz

рдкреНрд░рддреНрдпреЗрдХ рдЙрддреНрддрд░ рдкрд░ рддреНрд╡рд░рд┐рдд рдкреНрд░рддрд┐рдХреНрд░рд┐рдпрд╛, рдФрд░ рдкрд╛рдареНрдпрдХреНрд░рдо рдкрд╛рд╕ рдХрд░рдиреЗ рдХреЗ рдмрд╛рдж рдПрдХ рд╕рддреНрдпрд╛рдкрди рдпреЛрдЧреНрдп рдЖрдИрдбреА рдХреЗ рд╕рд╛рде рдПрдХ рд╕рд╛рдЭрд╛ рдХрд░рдиреЗ рдпреЛрдЧреНрдп рдкреНрд░рдорд╛рдгрдкрддреНрд░ред

рдкреНрд░рд╢реНрдиреЛрддреНрддрд░реА рдкреНрд░рд╛рд░рдВрдн рдХрд░реЗрдВ

рдирд┐рдГрд╢реБрд▓реНрдХ рдПрдЖрдИ рд╢рд┐рдХреНрд╖рд╛ рдХрд╛ рд╕рдорд░реНрдерди рдХрд░реЗрдВред AI Understanding рдПрдХ 501(c)(3) рдЧреИрд░-рд▓рд╛рднрдХрд╛рд░реА рд╕рдВрд╕реНрдерд╛ рд╣реИ - рдХреЛрдИ рд╡рд┐рдЬреНрдЮрд╛рдкрди рдирд╣реАрдВ, рдХреЛрдИ рдкреЗрд╡реЙрд▓ рдирд╣реАрдВред рджрд╛рди рдХрд░реЗрдВ

рдЕрдХреНрд╕рд░ рдкреВрдЫреЗ рдЬрд╛рдиреЗ рд╡рд╛рд▓реЗ рдкреНрд░рд╢реНрдиреЛрдВ

What is Two-Tower Recommendation Models?

A two-tower recommender encodes a user or query and each candidate item separately into vectors, then scores a pair by vector similarity. Because item vectors can be precomputed and indexed, two-tower models support scalable retrieval before a more detailed ranking stage.

What does each tower produce in a standard two-tower recommender?

The two encoders independently map query-side and candidate-side features into a shared vector space.

Why can item embeddings be precomputed?

Because item vectors are computed independently, they can be generated offline and indexed.

Which operation commonly retrieves candidates from embeddings?

Vector indexes support similarity search over precomputed item embeddings.

Why is candidate recall important before ranking?

Downstream rankers only see candidates returned by retrieval, so missed candidates cannot be recovered there.

Which interaction is difficult for independently encoded towers to represent directly?

Independent encoding favors scale but may not capture rich interactions requiring both sides jointly.

рд╕реАрдЦрддреЗ рд░рд╣реЛ

рд╕рдВрдмрдВрдзрд┐рдд рдорд╛рд░реНрдЧрджрд░реНрд╢рд┐рдХрд╛рдПрдБ

рдЗрд╕ рд╡рд┐рд╖рдп рдХреЗ рд▓рд┐рдП рдЕрдзрд┐рдХ рдорд╛рд░реНрдЧрджрд░реНрд╢рд┐рдХрд╛рдПрдБ рдЪреБрдиреА рдЧрдИрдВ

рдЖрдЧреЗрдЕрдЧрд▓реА рдЧрд╛рдЗрдб

рдПрдордПрд▓ рдореЙрдбрд▓ рдХреЗ рд▓рд┐рдП рдбреЙрдХрд░ рдХрдВрдЯреЗрдирд░

рддрдХрдиреАрдХреА

рдирд┐рдГрд╢реБрд▓реНрдХ AI рдкреНрд░рдорд╛рдгрдкрддреНрд░ рдкреНрд░рд╛рдкреНрдд рдХрд░реЗрдВрдПрдХ рд╕рдВрдХреНрд╖рд┐рдкреНрдд рдирд┐рдГрд╢реБрд▓реНрдХ рдкрд╛рдареНрдпрдХреНрд░рдо рдФрд░ рдкрд░реАрдХреНрд╖рд╛ред рдХреЛрдИ рдХреАрдордд рдирд╣реАрдВ, рдХреЛрдИ рдХрд╛рд░реНрдб рдирд╣реАрдВ. рд▓рдЧрднрдЧ 2.5 рдШрдВрдЯреЗ.рдирд┐рдГрд╢реБрд▓реНрдХ рдкреНрд░рд╛рд░рдВрдн рдХрд░реЗрдВ тЖТ