详解深度学习中推荐系统的经典模型

DSSM模型采用BOW方式表示Query和Title，通过DNN将其表达为低维语义向量。

匹配层通过余弦距离计算语义相似度，并通过softmax函数转化为后验概率。

训练阶段通过极大似然估计最小化损失函数，使用随机梯度下降使模型收敛。

DSSM采用字向量作为输入，减少切词依赖，提高模型泛化能力。

DSSM的缺点是丧失语序信息和上下文信息，预测结果不可控。

DeepFM模型结合FM和DNN，快速训练并共享输入特征。

FM模型能有效处理特征组合和高维稀疏矩阵问题。

DNN部分将稀疏特征映射为稠密特征向量。

DeepFM模型使用二值交叉熵作为损失函数，AUC作为模型评价指标。

DSSM通过DNN将Query和Title映射为低维语义向量，计算语义相似度。