荆智文，张屿佳，孙伯廷，郭 浩

（太原理工大学 信息与计算机学院，山西 晋中 030600）

0 引言

近年来，随着各类电子商务平台的蓬勃发展，商品种类日渐繁多，但在通常情况下，用户单位时间内能接受信息密度有限，造成了严重的信息过载问题［1］。而推荐系统因能通过在大规模商品中筛选用户可能感兴趣的商品，缓解信息过载问题，得到广泛研究。大规模推荐系统最关键的任务之一，是快速且准确地为每一位用户计算大量商品的分数排序。一种普遍采用的方法是将推荐系统分为召回和排序两阶段架构。具体而言，首先从大规模商品集中召回与给定用户相关的相对数较少的商品；然后使用排序模型根据学习到的用户兴趣，对召回阶段筛选过的相关商品排序［2］。一个高性能的召回模型是整个推荐系统的基础；但由于电子商务平台具有数据规模大、用户行为稀疏和数据长尾等特性，传统的数据召回模型对用户和商品之间关系的学习可能出现不平衡或不充分的情况。

为了解决上述问题，Huang 等［3］提出了双塔型神经网络算法DSSM（Deep Structured Semantic Models）。它的核心思想是将用户和商品映射到同一维度的语义空间，分别训练用户侧和商品侧的深度神经网络（Deep Neural Network，DNN），以最大化用户和商品的相似性。该算法虽然一定程度上提高了大规模召回的性能，但由于DNN 之间相互独立，两塔之间缺乏信息交互，算法无法充分学习用户和商品之间更深层次的交互信息。因此，如何增强DSSM 的信息交互，提升DSSM 的召回性能值得深入研究。……