双塔模型工作

目录

• 问题 1：静态特征走普通的 Embedding，用的什么 Embedding 模型？
• 问题 2：最终拿到 256 维 User Vector，去 Milvus 去召回吗？
  • 1. 离线/近线准备（Item 塔的工作）
  • 2. 在线实时召回（User 塔与 Milvus 的配合）
• 💡 面试加分项（展现高级开发视角的“必杀技”）

这两个问题问得非常落地！这已经是实际写代码和做架构落地的层面了。我们一个个来拆解，帮你把这套系统的最后一公里打通。

问题 1：静态特征走普通的 Embedding，用的什么 Embedding 模型？

答案是：没有使用任何外部的、预训练的“模型”（比如 BERT、Word2Vec 都不是）。

在推荐系统（RecSys）的代码里，所谓的“普通 Embedding”，其实就是一个“可训练的权重矩阵（Lookup Table / 查表）”。

如果你用 PyTorch 或 TensorFlow 写代码，它就是框架自带的一个基础网络层（nn.Embedding 或 tf.keras.layers.Embedding）。

具体是怎么运作的？

1. 类别特征（Categorical）的查表：
   • 假设“风险等级”有 5 种（1=保守, 2=稳健, 3=平衡, 4=进取, 5=激进）。
   • 在代码里，你会初始化一个形状为 [5, 16] 的矩阵（5行，16列）。一开始，这矩阵里全是随机生成的无意义小数。
   • 当来了一个“激进（ID=5）”的用户，代码直接去这个矩阵里把第 5 行抽出来，这就是他的 16 维向量。
2. 数值特征（Numerical）的处理：
   • 比如用户的“年龄=35”、“资产=50000”。
   • 做法A（分箱离散化）：把年龄分成 0-20, 20-30, 30-40 等几个“桶（Bucket）”，35岁落入第3个桶（ID=3），然后像上面一样去查表。
   • 做法B（全连接层映射）：直接把 35 这个数字，乘以一个 [1, 16] 的权重矩阵（Linear Layer），映射成 16 维向量。
3. 它是怎么变聪明的？（端到端训练）：
   • 这个 [5, 16] 的矩阵，是和上面的 MLP、SASRec 绑在一起联合训练的（End-to-End）。
   • 当用户点击了某个产品（Loss下降），反向传播（Backpropagation）的梯度会一直传导到底层，直接修改这个矩阵里的数值。
   • 训练几千万次后，这个矩阵里的数字就被“盘包浆”了，蕴含了极强的业务规律。

总结： 推荐系统里的静态特征 Embedding 不是调包（不调外部模型），而是自己从零初始化的一个矩阵，靠着用户的点击数据，硬生生“喂”出来的专属特征表达。

---

问题 2：最终拿到 256 维 User Vector，去 Milvus 去召回吗？

答案是：完全正确！100% 就是这么干的！

这就是整个双塔模型在线上（Online）真实运转时的核心大招——向量检索（Vector Search）。

为了让你在面试时能把整个链路说得滴水不漏，我把这个过程分为“离线（提前做好的）”和“在线（毫秒级发生的）”两部分：

1. 离线/近线准备（Item 塔的工作）

• 算物品向量：系统后台有一个“Item 塔”。它提前把富途所有的股票、几千篇资讯、几百个营销活动，全部跑一遍模型，算出每个物品的 256 维 Item Vector。
• 建库与建索引：把这几万/几十万个 Item Vector 存入 Milvus。并且在 Milvus 里建立索引（工业界最常用的是 HNSW 索引 或 IVF_FLAT），这样搜索起来就不需要挨个对比，速度极快。

2. 在线实时召回（User 塔与 Milvus 的配合）

当用户打开富途牛牛 App 的那一瞬间（要求在 50~100 毫秒内返回结果）：

1. 特征组装：后台迅速拉取用户的静态特征（查表），并接收 Flink 传来的实时行为序列。
2. 模型推理（Inference）：把这些特征丢给部署在 GPU/CPU 上的 User 塔模型（比如通过 Triton Inference Server）。模型瞬间吐出这个用户的 256 维 User Vector。
3. Milvus 检索（高潮来了）：
   • 业务代码拿着这个 256 维的 User Vector，向 Milvus 发起一次 RPC 请求：
     milvus.search(data=[user_vector], top_k=100, metric_type="IP")
   • 注：metric_type="IP" 代表内积（Inner Product），双塔模型通常用内积来衡量相似度。
4. 返回结果：Milvus 在几毫秒内，在几万个物品中，找到了与这个 User Vector 距离最近（内积最大）的 100 个物品的 ID。
5. 召回完成：这 100 个物品，就是系统认为该用户此刻最可能感兴趣的东西。

---

💡 面试加分项（展现高级开发视角的“必杀技”）

如果你在面试中聊到了去 Milvus 召回 100 个物品，千万别停在这里！ 你可以主动抛出下一步：

“从 Milvus 召回这 100 个候选物品后，我们不能直接展示给用户。因为双塔模型为了追求极速的向量检索，User 和 Item 是分开计算的，特征交叉做得不够深，预估的准确率还不够极致。

所以，拿到这 100 个物品后，我们还会进入『精排层（Ranking）』。
我们会把这 100 个物品和用户特征一起，喂给一个更庞大、更复杂的深度学习模型（比如 DeepFM 或 DIN）。精排模型不需要去 Milvus 检索，它只对这 100 个物品进行极其精细的打分（CTR 预估），最后选出得分最高的 3 个，再结合业务规则（比如不能连续推同一个活动），最终展示在用户的 App 界面上。”

如果你能把 特征 Embedding -> 双塔融合 -> Milvus 召回 (Recall) -> 复杂模型精排 (Ranking) 这个完整的工业界推荐漏斗（Funnel）说出来，面试官基本可以直接给你发 Offer 了，因为这证明你不仅懂局部算法，更具备全局的架构视野。