推荐系统召回-排序架构？双塔模型与 DIN 区别？

题目

请说明推荐系统的”召回-粗排-精排-重排”架构，并对比召回阶段的双塔模型与精排阶段的 DIN 模型。

参考答案

推荐系统四层架构：

1. 召回（Recall）：从亿级候选中快速捞回数百到数千候选，多路并行（双塔、协同过滤、图召回、热门等）。重召回率，速度优先。
2. 粗排（Pre-rank）：轻量模型给召回结果打分，截断到数百。降低精排压力。
3. 精排（Rank）：用复杂模型（DIN/DeepFM/DCN）精细打分，重精度。特征丰富、模型复杂。
4. 重排（Re-rank）：业务规则与多样性、新颖性、公平性调整，决定最终展示顺序。

双塔模型（召回主力）：

• 用户塔 + 物品塔，各自独立编码成向量，用点积/余弦算相似度。
• 关键优势：物品向量可离线预计算建索引，在线只算用户向量 + ANN 检索，O(1) 召回。
• 劣势：用户与物品特征晚期才交互（点积），缺乏深度交叉，精度有限。
• 适合召回阶段”快而广”的需求。

DIN（Deep Interest Network，阿里精排）：

• 痛点：传统 DeepFM/DCN 把用户历史行为（如浏览过的商品）池化为定长向量，丢失兴趣多样性。
• 创新：引入注意力机制，根据候选物品动态加权用户历史：

$$v_U = f(v_A) = \sum_{i} a(v_i, v_C) v_i$$

候选 $v_C$ 与每个历史物品 $v_i$ 算注意力权重 $a$，加权求和得用户表示——“看候选激活相关历史兴趣”。

• 优势：捕捉用户兴趣的多样性 + 与候选的相关性，精排精度显著提升。

对比表：

维度	双塔	DIN
阶段	召回	精排
特征交互	晚期（点积）	早期（注意力加权）
物品向量	可预计算	必须与候选联合算
速度	极快	慢
精度	中	高
适合	海量候选	少量候选精排

特征交叉进阶：

• DeepFM：FM（二阶交叉）+ DNN（高阶）联合。
• DCN（Deep & Cross）：Cross 层显式构造高阶交叉。
• CAN / FiBiNet 等更多变体。

面试加分点：

• 召回-精排分离的本质是速度-精度权衡：召回用简单模型海量过滤，精排用复杂模型少量精挑。
• 双塔的”晚期融合”是它能预计算的根本原因，但牺牲了精度——这是召回模型的共性。
• DIN 把注意力引入推荐，是推荐系统从”特征工程”转向”行为序列建模”的里程碑。

出处：掘金《推荐系统四层架构深度拆解》、王树森推荐系统教程（CSDN《双塔模型——模型结构、训练方法》）。