深度学习 - 21.TF x Keras DSSM 理论与实践_keras分类实战共享双塔实战

作者：算法研究专家 | 2024-01-28 23:42:42

踩

keras分类实战共享双塔实战

一.引言

DSSM (Learning Deep Structured Semantic Models for Web Search using Clickthrough Data) 一文利用点击数据挖掘词语的深层语义模型，其思路是构建一个 Query 塔和一个 Doc 塔，利用深度学习进行特征挖掘，最终计算两个塔的向量相似度，结合标签进行反向传播训练，所以 DSSM 又叫双塔，其应用场景主要以搜索，召回等场景为主，当然也可用于给定 user-item 计算其向量与相似度，下面就看看双塔如何构造。

二.DSSM 理论

1.模型简介

DSSM 相关论文可以参考《 Learning Deep Structured Semantic Models for Web Search using Clickthrough Data》，其主要模型结构如下:

Q 为 Query 塔，D是 Doc 塔，由于文本特征的 one-hot 表征多为稀疏向量，DSSM 通过多层 DNN 将高维的稀疏文本特征映射到低维度的语义空间，如图所示这里原始文本的 one-hot 维度为 500k 维度，最终通过 Dense 层压缩到 128 维的语义空间。

第一层 W1 Word Hashing，除了 DNN，还可以尝试 CNN，LSTM 等模型进行特征提取，不过核心思想都是压缩原始语义空间，将高维度映射到低维。这里 DNN 默认的激活函数采用 Tanh，不是常用的 Relu，需要注意。

最终的概率计算采用的是条件概率 + SoftMax，相似度计算采用的是余弦相似度。通过最小化条件概率函数与 SGD 随机梯度下降更新迭代模型。

2.模型应用

由于 DSSM 采用双塔结构将高维语义映射到低维空间，所以 DSSM 模型也多用于获取特征向量，模型经过训练后给定 Query 样本和 Doc 样本通过 Query 和 Doc 塔两个模型即可获取各自的 K 维向量作为其表征，也可以利用向量计算文本语义特征等等，也有同学结合 MF，Word2vec，LDA，PCA 等方法进行语义特征的向量化，其目的都是要抽象化语义表征。

三.DSSM 实践

这里模拟构造了一批 user-item 的数据，以及 user 对 item的行为，有行为记为1，无行为记为0，通过 DSSM 双塔模型训练得到 user-tower 和 item-tower 获取 user 与 item 的向量并计算其匹配程度。

1.数据准备


    # 1.生成用户，商品 one-hot 特征
    num_samples = 10000
    max_length = 500
 
    # one-hot 多维序列
    def one_hot_sequences(sequences, dimension=500):
        result = np.zeros((len(sequences), dimension))
        for i, sequence in enumerate(sequences):
            result[i, sequence] = 1
        return result
 
 
    user_feat = np.random.randint(0, max_length, size=(num_samples, 200))
    item_feat = np.random.randint(0, max_length, size=(num_samples, 200))
 
    user_feat = one_hot_sequences(user_feat, max_length)
    item_feat = one_hot_sequences(item_feat, max_length)
 
 
    # 2.构建预测标签
    predict_label = np.random.randint(0, 2, size=num_samples)

num_sample 代表模拟样本的条数，max_length 代表最大的特征索引，最终得到的用户数据，商品数据如下：


用户矩阵维度:  (10000, 500)
商品矩阵维度:  (10000, 500)
预测标签维度:  (10000,)
预测标签实例:  [0 1 0 1 1 1 0 0 1 1]

user，item的原始特征都是 500 维的 one-hot 特征，样例如下:

2.DSSM 双塔构建

K=16，参考模型简介处最后一层 semantic 的维度，即映射文本空间的维度，K值可以根据场景以及特征维度的不同进行调节。

由于输入样本格式一致，所以 User 塔和 Item 塔的构造相同，三个 Dense 层的堆叠，激活函数采用 Tanh，这里在第一层 Dense 后加了一层 BN 防止特征过于稀疏导致模型梯度消失 or 爆炸。

最后通过 concatLayer 结合双塔并计算相似度，DSSM 其实就是扩展版的多输入模型，多输入模型的使用之前也有提到：多输入模型 Demo，可以参考。


    k = 16
    # User 塔
    user_input = Input(shape=max_length, name="user_input")
    user_dense1 = Dense(128, activation='tanh')(user_input)
    bn1 = BatchNormalization(trainable=True)(user_dense1)
    user_dense2 = Dense(64, activation='tanh')(bn1)
    user_dense3 = Dense(k, activation='tanh', name='user_output')(user_dense2)
 
    # item 塔
    item_input = Input(shape=max_length, name="item_input")
    item_dense1 = Dense(128, activation='tanh')(item_input)
    bn2 = BatchNormalization(trainable=True)(item_dense1)
    item_dense2 = Dense(64, activation='tanh')(bn2)
    item_dense3 = Dense(k, activation='tanh', name="item_output")(item_dense2)
 
    concat = concatenate([user_dense3, item_dense3], axis=-1)
 
    # 双塔相似度计算
    similar = CosineSimilarLayer()(concat)
    model = Model([user_input, item_input], similar, name="DSSM")
    model.summary()

模型结构如下图:

3.模型编译与训练

预测标签为0，1值，所以采用二分类交叉熵，也有同学使用 MSE，场景不同使用方式不同。其他超参实际应用中大家也可以多多尝试。


    model.compile(optimizer='rmsprop',
                  loss='binary_crossentropy',
                  metrics=['accuracy'])
 
    model.fit([user_feat, item_feat], predict_label, epochs=10, batch_size=128)

由于是 numpy 随机的数据，相关指标就不做参考，只为验证流程是否可用。

4.利用模型构建 User-tower 与 Item-tower

DSSM 训练结束后，分别构建用户塔与商品塔，给定测试样本即可获取 K 维向量表征用户与商品，同时计算 user-item 的相似度。


    # 7.构建双塔 - 用户塔 vs 商品塔
    user_tower = Model(user_input, user_dense3, name="User-Tower")
    item_tower = Model(item_input, item_dense3, name="Item-Tower")
 
    test_samples = 1
    test_user_feat = one_hot_sequences(np.random.randint(0, max_length, size=(test_samples, 200)), max_length)
    test_item_feat = one_hot_sequences(np.random.randint(0, max_length, size=(test_samples, 200)), max_length)
    user_vector = user_tower.predict([test_user_feat])[0]
    print("测试用户向量 K=16")
    print(user_vector)
    item_vector = item_tower.predict([test_item_feat])[0]
    print("测试商品向量 K=16")
    print(item_vector)
 
    # 8.计算匹配程度
    similar_score = K.sum(user_vector * item_vector, axis=-1, keepdims=True)
    print("相似度: ", similar_score.numpy())