SeterusnyaPanduan seterusnya
Bekas Docker untuk Model ML
Teknikal
PANDUAN Teknikal
Pengesyor dua menara mengekod pengguna atau pertanyaan dan setiap item calon secara berasingan ke dalam vektor, kemudian menjaringkan pasangan mengikut persamaan vektor.
Dengar panduan iniAI-diceritakan · ~3 min
Oleh kerana vektor item boleh diprakira dan diindeks, model dua menara menyokong perolehan semula berskala sebelum peringkat kedudukan yang lebih terperinci.
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.
Apl muzik hipotesis mengekodkan aktiviti terbaru pendengar ke dalam vektor pengguna dan setiap metadata lagu ke dalam vektor item. Carian jiran terdekat mendapatkan semula lagu yang vektornya serupa.
Perkhidmatan mendapatkan semula membuat prakiraan pembenaman item dan mencarinya dengan anggaran indeks jiran terdekat, mengelakkan penilaian rangkaian saraf penuh untuk setiap pasangan item pengguna pada masa permintaan.
Model kedudukan kemudian mempertimbangkan konteks khusus pasangan tambahan seperti sesi semasa, kesegaran dan kekangan perniagaan, yang menara yang berasingan mungkin tidak dapat ditangkap semasa pengambilan semula.
Pasukan menyemak bahawa pembenaman pengguna dan item dijana daripada versi dan dimensi yang serasi; prapemprosesan atau vektor item lapuk yang tidak sepadan boleh merendahkan skor persamaan.
Sistem dua menara boleh menjadi lebih berguna dengan memantau penarikan semula calon, membenamkan kesegaran dan kependaman di samping hasil penarafan akhir. Pasukan harus versi menara dan indeks bersama-sama dan menguji perubahan ciri sebelum membina semula infrastruktur perolehan semula. Apabila populasi pengguna dan item bertambah, carian anggaran boleh meningkatkan skala tetapi harus diperiksa terhadap pengambilan tepat pada sampel. Kedudukan yang berasingan boleh menambah konteks sambil mengekalkan peringkat perolehan semula yang jelas. Laporan harus menjelaskan bahawa persamaan menghasilkan calon, kemudian menunjukkan cara penapisan dan kedudukan kemudian mempengaruhi perkara yang sebenarnya dilihat pengguna.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Pengesyor dua menara mengekod pengguna atau pertanyaan dan setiap item calon secara berasingan ke dalam vektor, kemudian menjaringkan pasangan mengikut persamaan vektor. Oleh kerana vektor item boleh diprakira dan diindeks, model dua menara menyokong perolehan semula berskala sebelum peringkat kedudukan yang lebih terperinci.
Kedua-dua pengekod secara bebas memetakan ciri sisi pertanyaan dan sisi calon ke dalam ruang vektor kongsi.
Oleh kerana vektor item dikira secara bebas, ia boleh dijana di luar talian dan diindeks.
Indeks vektor menyokong carian persamaan berbanding pembenaman item yang diprakira.
Penaraf hiliran hanya melihat calon dikembalikan melalui pengambilan, jadi calon yang terlepas tidak boleh dipulihkan di sana.
Pengekodan bebas memihak kepada skala tetapi mungkin tidak menangkap interaksi kaya yang memerlukan kedua-dua pihak secara bersama.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Bekas Docker untuk Model ML
Teknikal