检索

假设您有一个嵌入模型。针对某个用户，您如何决定推荐哪些商品？

在服务时，给定一个查询，首先执行以下某项操作：

• 对于矩阵分解模型，查询（或用户）嵌入是静态已知的，系统只需从用户嵌入矩阵中查找即可。
• 对于 DNN 模型，系统会在传送时通过在特征矢量 \(x\)上运行网络来计算查询嵌入 \(\psi(x)\)。

获得查询嵌入 \(q\)后，在嵌入空间中搜索与 \(q\) 相近的商品嵌入\(V_j\) 。这是最近邻问题。例如，您可以根据相似度得分 \(s(q, V_j)\)返回前 k 项。

您可以在推荐相关商品时采用类似的方法。例如，当用户观看 YouTube 视频时，系统可以首先查找该项的嵌入，然后查找嵌入空间中相邻的其他项\(V_j\) 的嵌入。

大规模检索

为了计算嵌入空间中的最近邻，系统可以详尽地对每个潜在候选对象评分。对于非常大的语料库，穷尽评分可能非常耗费资源，但您可以使用以下任一策略来提高效率：

• 如果以静态方式知道查询嵌入，则系统可以离线执行详尽评分、预计算并存储每个查询的热门候选对象列表。这是推荐相关商品的常见做法。
• 使用近似最近邻。 Google 在 GitHub 上提供了一款名为 ScaNN（可伸缩的最近邻）的开源工具。该工具可大规模执行高效的向量相似度搜索。