实用指南：【第五章:计算机视觉-项目实战之推荐/广告系统】1.推荐系统基础与召回算法-(6)召回算法之u2i: FM、deepFM、召回双塔原理精讲与实战

第五章：计算机视觉-项目实战之推荐/广告系统

第一部分：推荐系统基础与召回算法

第六节：召回算法之u2i: FM、deepFM、召回双塔原理精讲与实战

---

一、u2i召回简介：目标是“理解用户”

如果说上一节 i2i（item-to-item）召回的思想是：

“看你喜欢的内容，预测你还会喜欢什么相似内容”

那么 u2i（user-to-item）召回则换了角度：

“从用户特征出发，直接召回适合他的物品 embedding”

区别是：

类别	输入	本质建模对象	适用场景
i2i	item → item	物品相似度	适合强序列场景
u2i	user → item	用户兴趣向量	个性化、用户中心推荐

u2i 的核心问题 = 如何构建 user embedding，并与 item embedding 匹配

因此，本节我们学习的三个模型可视为渐进关系：

模型	目标
FM	建立特征交互（user–item 特征点击概率）
DeepFM	用深度学习增强特征建模能力
Two-Tower（双塔召回）	将 user 和 item 映射到同一向量空间，用向量相似度召回

最后落地到行业主流召回结构：

u_embedding  →   ANN 向量检索   →   召回 item topK

---

二、FM 原理讲解：特征交叉的精髓

FM（Factorization Machines）是点击率模型中最经典的特征交叉模型，公式非常关键：

解释：

项目	含义
	偏置
	所有特征的一阶贡献
	所有特征对的二阶组合（FM的核心）

在推荐系统中，FM特别适合表达：

特征交互示例	意义
(用户性别, 类目)	男性更喜欢数码
(城市, 价格区间)	一线城市偏高价位

优点：可解释性强、对稀疏特征友好
缺点：表达能力有限，不够深

---

三、DeepFM：FM + DNN 的强强联合

为提升建模能力，DeepFM提出结构：

        →  FM（显式特征交叉）
Input  →
        →  DNN（隐式高阶交叉）

输出 CTR / 点击概率：

优点： 可拟合复杂兴趣
行业事实：现在主流 CTR/召回模型仍由 DeepFM 演化而来

但 DeepFM仍不是召回最适合模型 —— 因为召回的核心是 向量相似，而不是概率排序

这就引出了工业界真正最常用的召回模型：

---

四、Two-Tower（召回双塔模型）：工业主流 u2i之王

Two-Tower结构示意：

       ┌───────────────┐
       │ User Tower    │  →  user_embedding
user → │  DNN / MLP    │
       └───────────────┘
                   │ dot/cosine
       ┌───────────────┐
item → │ Item Tower    │  →  item_embedding
       │  DNN / MLP    │
       └───────────────┘

训练目标：

即：

• 拉近用户与正样本的向量

• 推开用户与负样本向量

推理阶段非常高效：

召回 = ANN( user_embedding ) → topK item

优点（工程面试要点）

优点	解释
召回高效	向量检索 O(logN)，适配 Milvus / Faiss
冷启动友好	靠特征而非行为
可扩展	可插入 Transformer、注意力、多兴趣网络

---

五、双塔召回完整实战代码（可直接运行）

import torch
import torch.nn as nn
import torch.nn.functional as F
class TwoTowerModel(nn.Module):
    def __init__(self, user_dim, item_dim, embed_dim):
        super().__init__()
        self.user_tower = nn.Sequential(
            nn.Linear(user_dim, 128),
            nn.ReLU(),
            nn.Linear(128, embed_dim)
        )
        self.item_tower = nn.Sequential(
            nn.Linear(item_dim, 128),
            nn.ReLU(),
            nn.Linear(128, embed_dim)
        )
    def forward(self, user, item):
        u = F.normalize(self.user_tower(user))
        i = F.normalize(self.item_tower(item))
        score = torch.sum(u * i, dim=-1)
        return score

训练损失采用 对比损失 / 负样本采样 NCE：

loss = - torch.log_softmax(pos_score - neg_score, dim=-1).mean()

---

六、本节总结

模型	在召回的作用
FM	做特征交互
DeepFM	提升模型表达能力
Two-Tower	真正用于 ANN 向量召回（工业主流）

一句话总结：

i2i学相似，u2i学兴趣 — i2i补召回覆盖，u2i做主召回路径，双塔是工业标准