DSSM (Deep Structured Semantic Models)用于文本相似度匹配场景，是为了平衡搜索的关键词，和被点击的文本标题之间的相关性。
论文地址：https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/cikm2013_DSSM_fullversion.pdf
目录
1、DSSM原理
1.1、wordhash
2、DSSM模型训练
3、DSSM总结
4、DSSM应用
1、DSSM原理
通过query和document的点击曝光日志，用DNN把query和document表达为低维语义向量，并通过余弦相识度来计算两个语义向量的距离，最终训练出语义相识度模型。
该模型既可以用来预测两个句子的语义相似度，又可以获得某句子的低维语义Embedding向量。
（总而言之，核心就是将文本信息转为embbeding后，两个embedding求相似度）
It uses a DNN to map high-dimensional sparse text features into low-dimensional dense features in a semantic space. The first hidden layer, with 30k units, accomplishes word hashing. The word-hashed features are then projected through multiple layers of non-linear projections. The final layer’s neural activities in this DNN form the feature in the semantic space.
在原始的paper中，dssm主要用来建模每一个query与多个documents的相似度，通过原始的text，word hashing之后，经过多层线性投影，获得128维的隐语义向量，进行相似度计算。
Q代表Query信息，D表示Document信息。
（1）Term Vector：表示文本的Embedding向量；
（2）Word Hashing技术：为解决Term Vector太大问题，对bag-of-word向量降维；（在搜索引擎中，给定一个query，会返回一些按照相关性分数排序的文档。通常情况下，输入的term向量使用最原始的bag of words特征，通过one-hot进行编码。但是在实际场景中，词典的大小将会非常大，如果直接将该数据输入给DNN，神经网络是无法进行训练和预测的。因此，在DSSM中引入了word hashing的方法，并且作为DNN中的第一层。）
（3）Multi-layer nonlinear projection：表示深度学习网络的隐层；
（4）Semantic feature ：表示Query和Document 最终的Embedding向量；
（5）Relevance measured by cosine similarity：表示计算Query与Document之间的余弦相似度；
（6）Posterior probability computed by softmax：表示通过Softmax 函数把Query 与正样本Document的语义相似性转化为一个后验概率；(具体公式可以看参考1)
我们拆分一下，这样的塔式结构，单独的结构：
DSSM module主要包括两个部分：
- 特征的抽象提取，主要是为了提取出对任务有效的模型特征；
- loss函数，主要是为了定义metric标注，建模问题相似度描述；
DSSM module中，特征的抽取部分f(x), g(x) 可以是包括CNN、RNN、FC在内的任意网络类型，或者组合，loss 函数针对建模问题不同，解决分类应用时，例如交叉熵问题时，使用交叉熵；当处理回归问题时，使用cosine距离；解决排序问题时，则使用pairwise loss函数。
1.1、wordhash
word hashing方法是用来减少输入向量的维度，该方法基于字母的 n-gram。给定一个单词（good），我们首先增加词的开始和结束部分（#good#），然后将该词转换为字母 n-gram的形式（假设为trigrams：#go，goo，ood，od#）。最后该词使用字母 n-gram的向量来表示。
这种方法的问题在于有可能造成冲突，因为两个不同的词可能有相同的 n-gram向量来表示。word hashing在2个词典中的统计。与原始的ont-hot向量表示的词典大小相比，word hashing明显降低了向量表示的维度。
2、DSSM模型训练
query、点击 doc、未点击doc 共享 W
点击日志里通常包含了用户搜索的query和用户点击的doc，可以假定如果用户在当前query下对doc进行了点击，则该query与doc是相关的。通过该规则，可以通过点击日志构造训练集与测试集。
首先，通过softmax 函数可以把query 与样本 doc 的语义相似性转化为一个后验概率：
其中
是一个softmax函数的平滑因子，D 表示被排序的候选文档集合，在实际中，对于正样本，每一个（query， 点击doc）对，使用
表示；对于负样本，随机选择4个曝光但未点击的doc，用
来表示。在训练阶段，通过极大似然估计来最小化损失函数：
其中
表示神经网络的参数。模型通过随机梯度下降（SGD）来进行优化，最终可以得到各网络层的参数
。
3、DSSM总结
优点：
- 解决了LSA、LDA、Autoencoder等方法存在的一个最大的问题：字典爆炸（导致计算复杂度非常高），因为在英文单词中，词的数量可能是没有限制的，但是字母 n -gram的数量通常是有限的
- 基于词的特征表示比较难处理新词，字母的 n -gram可以有效表示，鲁棒性较强
- 使用有监督方法，优化语义embedding的映射问题
- 省去了人工的特征工程
缺点：
- word hashing可能造成冲突
- DSSM采用了词袋模型，损失了上下文信息
- 在排序中，搜索引擎的排序由多种因素决定，由于用户点击时doc的排名越靠前，点击的概率就越大，如果仅仅用点击来判断是否为正负样本，噪声比较大，难以收敛
对于中文而言，处理方式与英文有很多不一样的地方。中文往往需要进行分词，但是我们可以仿照英文的处理方式，将中文的最小粒度看作是单字（在某些文献里看到过用偏旁部首，笔画，拼音等方法）。因此，通过这种word hashing方式，可以将向量空间大大降低。
4、DSSM应用
【深度学习】DSSM召回模型（2）
【深度学习】DSSM代码解析（3）
参考：
使用kears训练的时候，遇到问题
original_keras_version = f.attrs['keras_version'].decode('utf8')
AttributeError: 'str' object has no attribute 'decode查看了一下我的h5py==3.1
解决办法：
卸载原来的h5py模块，安装2.10版本
pip install h5py==2.10 -i https://pypi.tuna.tsinghua.edu.cn/simple/
