DSSM及其在搜索领域的应用

模型结构：

相关度计算：

query和doc语义向量的余弦距离：$R(Q,D)=\cos(y_Q,y_D) = \frac{y_Q^{\mathrm{T}}y_D}{||y_Q|| y_D||}$R(Q,D)=cos(yQ​,yD​)=∣∣yQ​∣∣yD​∣∣yQT​yD​​

损失函数：

softmax计算后验概率: $P(D|Q) = \frac{exp(\gamma R(Q,D))}{\sum_{d_i \in D} exp(\gamma R(Q,D))}$P(D∣Q)=∑di​∈D​exp(γR(Q,D))exp(γR(Q,D))​

$L(\Lambda) = - \text{log} \prod_{(Q,D^+)} P(D^+|Q)$L(Λ)=−log(Q,D+)∏​P(D+∣Q)

相似Query 推荐

通过用户的搜索Query和曝光点击商品的日志，使用双向LSTM网络把Query和商品title表征成语义向量。最后只使用Query的向量，计算Query距离最接近的Query。