DSSM模型可以生成item的语义向量，再推荐系统中经常再召回环节使用，很经典的一个召回模型。它的关键点:
1.用 word hashing将输入的高维向量先变换到了比较低维的向量，这种方式对于业界来说是很不错的，因为通常我们的词库或者物品集是很大的，如果我们用很高维的向量直接输入 那模型训练的压力就太大了。word hashing就是一层的线性映射
2. 使用的有监督学习方法。以推荐为例，输入特征有物品特征 用户特征 然后标签为用户下一刻点击的物品，负样本从非正样本的item随机抽取。得到用户和物品的语义向量，计算语义向量的余弦相似度，余弦相似度进行映射作为预测结果，物品是否是下一刻点击物品用0和1标识真实结果，然后损失函数二分类损失函数
3.我们通常会取模型中的语义向量出来作为物品的语义向量，用于召回任务。
论文中的模型图
推荐系统中的召回结构
这块的理解就到这里了，自己实际项目中没有用到，就不再细究DSSM模型如今其他的变种了。
参考博客:
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
