这是我在我的网站中截取的文章，有更多的文章欢迎来访问我自己的博客网站rn.berlinlian.cn，这里还有很多有关计算机的知识，欢迎进行留言或者来我的网站进行留言！！！
一、引言
基于内容的过滤（Content-based Filtering）直接利用用户特征 与物品特征 来完成个性化推荐：把它们编码成向量，在同一空间里做匹配。相比只看行为的协同过滤，这种方法能在冷启动 或侧信息丰富 的场景下发挥优势。本文将用 TensorFlow/Keras 实现一个经典的双塔模型（two-tower） ：分别学习用户向量 vu 与物品向量 vm，通过点积得到偏好分数，并以可复用的代码框架串起建模 → 训练 → 评估 → 部署的完整闭环。读完后，你可以把自己的特征喂进去，快速落地一个可上线的内容检索与排序模块。
**二、**模型结构：双塔
在内容过滤的推荐任务中，我们希望用户与物品都能被映射到同一个向量空间 ，从而可以直接比较它们的相似性。最常见的实现方式就是双塔模型（two-tower architecture），它由两部分组成：
-
用户网络（User Network）
输入用户特征向量 xu，经过多层全连接网络（Dense layers）逐步压缩维度，得到最终的用户嵌入 vu。在图示例中，维度从 128 → 64 → 32。
-
物品网络（Item/Movie Network）
输入物品特征向量 xm，同样通过多层全连接层得到物品嵌入 vm。这里的维度变化是 256 → 128 → 32。
最终，我们得到两个 32 维向量 vuvu 与 vmvm。这两个向量的**点积（dot product）**或相似度函数就代表了用户与物品的匹配程度，值越大代表越可能喜欢。
预测公式如下：
其中，g(⋅) 可以是恒等函数（用于评分预测）或 sigmoid（用于点击/购买概率预测）。
**三、**搭建子网络（Keras Sequential 建模）
双塔模型的核心是两个结构相似但参数各自独立的多层感知机（MLP）：
3.1 设计要点
-
层数与宽度
-
用户塔：
128 → 64 → 32（示例） -
物品塔：
256 → 128 → 32（示例）末层 32 维即我们的嵌入维度（embedding dim），可按业务改成 16、64 等。
-
-
激活函数
隐藏层使用
ReLU，训练稳定、计算高效；输出层不加激活（作为向量表示）。 -
正则化（可选）
可在隐藏层加入
kernel_regularizer=tf.keras.regularizers.l2(...)或Dropout，防止过拟合。 -
批归一化（可选）
对高维稀疏特征可加
BatchNormalization，但不强制。
3.2 代码
import tensorflow as tf
from tensorflow.keras import layers, models
EMBED_DIM = 32 # 嵌入维度
# 用户塔：128 -> 64 -> 32
user_NN = models.Sequential([
layers.Dense(128, activation='relu'),
layers.Dense(64, activation='relu'),
layers.Dense(EMBED_DIM) # 输出v_u
], name="user_NN")
# 物品塔：256 -> 128 -> 32
item_NN = models.Sequential([
layers.Dense(256, activation='relu'),
layers.Dense(128, activation='relu'),
layers.Dense(EMBED_DIM) # 输出v_m
], name="item_NN")3.3 为什么末层不加激活？
-
末层的目标是输出方向可比较的实数向量，便于做点积/余弦相似度；
-
若加非线性（如
tanh），会把值强行挤压到固定区间，可能减弱表达能力； -
如果后续用 L2 归一化，则数值范围问题也不大。
3.4 嵌入维度如何选？
-
小维度（16/32）：计算快、存储省，但表达力有限；
-
大维度（64/128）：表达力强，但计算和检索成本上升；
实际可通过离线验证或 A/B 测试挑选最优。
**四、**输入、归一化与相似度（Inputs, L2 Norm & Dot）
4.1 定义输入张量
用户与物品各有一组特征，通常是数值化/编码后的向量：
num_user_features = 128 # 举例：与数据前处理一致
num_item_features = 256
input_user = layers.Input(shape=(num_user_features,), name="input_user")
input_item = layers.Input(shape=(num_item_features,), name="input_item")4.2 通过子网络得到向量表示
vu = user_NN(input_user) # 形状: (None, EMBED_DIM)
vm = item_NN(input_item) # 形状: (None, EMBED_DIM)4.3 L2 归一化
-
目的：让向量的方向主导匹配，削弱长度差异带来的影响；
-
有利于余弦相似度 ≈ 点积的等价性，并提升训练稳定性/检索一致性。
vu = tf.linalg.l2_normalize(vu, axis=1) # 每个样本的向量单位化
vm = tf.linalg.l2_normalize(vm, axis=1)
4.4 相似度/匹配分数（Dot）
最常用的是点积；若你要显式用余弦相似度，L2 归一化后两者等价。
score = layers.Dot(axes=1, name="similarity")([vu, vm]) # 形状: (None, 1)说明：
评分回归 （如预测打分 1--5）通常直接用
score（可再缩放）；二分类概率 （如点击/购买概率）通常在外面再加一个
sigmoid：
prob = layers.Activation('sigmoid', name='prob')(score)
4.5 组装前向图
# 回归（MSE/RMSE等）场景
output = score
model = tf.keras.Model([input_user, input_item], output, name="content_based_tower")
# 或：二分类（CTR/CVR 等）场景
# output = layers.Activation('sigmoid', name='prob')(score)
# model = tf.keras.Model([input_user, input_item], output, name="content_based_tower_cls")**五、**模型组装与损失函数（Model & Loss）
5.1 回归任务（预测评分/相似度）
适用：预测打分（如 1--5）、回归型偏好值。
from tensorflow.keras import optimizers, losses, metrics
model = tf.keras.Model([input_user, input_item], score, name="cbf_reg") # score: Dot 输出
model.compile(
optimizer=optimizers.Adam(learning_rate=1e-3),
loss=losses.MeanSquaredError(),
metrics=[metrics.RootMeanSquaredError(name="rmse")]
)何时选 MSE：当标签是连续值（评分/分数），或你用点积作为"相对强弱"回归目标。
5.2 二分类任务（点击/购买/喜欢 概率）
适用：CTR/CVR/Like 预测（0/1）。
prob = tf.keras.layers.Activation('sigmoid', name='prob')(score)
model_cls = tf.keras.Model([input_user, input_item], prob, name="cbf_cls")
model_cls.compile(
optimizer=optimizers.Adam(learning_rate=1e-3),
loss=losses.BinaryCrossentropy(from_logits=False),
metrics=[metrics.AUC(name="auc"), metrics.BinaryAccuracy(name="acc")]
)何时选 BCE：当标签是二元 0/1 且输出为概率。
小贴士：正负样本极不均衡时，可用
class_weight={0: w0, 1: w1}或 focal loss。
5.3 正则化与稳定性
-
L2 正则 ：在
Dense(..., kernel_regularizer=tf.keras.regularizers.l2(1e-5))上加； -
Dropout ：在隐藏层加
Dropout(0.1~0.3)； -
梯度裁剪 ：
optimizer=Adam(..., clipnorm=1.0)； -
学习率调度 ：
ReduceLROnPlateau或CosineDecay提升收敛稳定性。
**六、**训练、评估与部署（Training, Eval, Serving）
6.1 组织训练数据
# X_user: (N, num_user_features), X_item: (N, num_item_features)
# y_reg: (N, ) 连续分数；或 y_bin: (N, ) 0/1 标签
history = model.fit(
x=[X_user, X_item],
y=y_reg, # 或 y=y_bin 对 model_cls
batch_size=1024,
epochs=10,
validation_data=([X_user_val, X_item_val], y_val),
callbacks=[
tf.keras.callbacks.EarlyStopping(patience=2, restore_best_weights=True)
],
verbose=1
)批大小 ：从 512/1024 起步，根据显存&吞吐调。
早停：避免过拟合，节省训练时间。
6.2 评估指标建议
-
回归：RMSE、MAE、皮尔逊相关；
-
二分类：AUC、PR-AUC、F1；
-
排序（强烈建议）：Recall@K、NDCG@K（线下召回/排序效果更贴近线上体验）。
线下做 召回@K：对每个用户取 Top-K 结果，看有多少命中真实交互；再评估 NDCG@K 衡量排名质量。
6.3 导出与上线（Serving）
(a) 预计算物品向量
# 抽取物品塔输出（含 L2 归一化）
item_encoder = tf.keras.Model(input_item, vm, name="item_encoder") # vm 来自前文
item_vecs = item_encoder.predict(AllItemFeatures, batch_size=2048) # 形状: (M, EMBED_DIM)
# 持久化：np.save("item_vecs.npy", item_vecs) 及保存 item_id 对应关系(b) 在线生成用户向量
user_encoder = tf.keras.Model(input_user, vu, name="user_encoder") # vu 来自前文
# 实时为某用户生成 v_u
vu_realtime = user_encoder.predict(UserFeatureVector[np.newaxis, :])(c) 近邻检索（ANN）
-
小规模：直接
np.dot(vu, item_vecs.T)得分，Top-K； -
大规模：用 ANN（如 FAISS/ScaNN/NGT）建索引，毫秒级 Top-K。
(d) 端到端排序
-
两阶段实践：
1）检索 ：ANN 召回 200--1000 个候选；
2）精排：把候选对（user,item）喂入更复杂的打分模型（可加入上下文特征）得到最终 Top-N。
6.4 冷启动与特征工程要点
-
冷启动物品：尽量完善类别、标签、文本/图像特征（可用预训练模型提 embedding，拼接入 xmxm）；
-
冷启动用户 ：引导式采集兴趣标签；利用上下文特征（地理、时间、设备）；
-
特征规范化：数值特征标准化；类别特征用 one-hot/embedding；缺失值要有明确占位。
6.5 常见坑位与排查
-
训练/验证分布漂移：确保
X_user_val/X_item_val与线上一致； -
标签时延：交互标签要与特征对齐同一时刻；
-
召回-精排断层：召回的向量空间与精排特征空间需一致或有映射；
-
指标对齐：线下排序指标与线上业务 KPI（CTR、GMV、WatchTime）做好映射关系。
这是我在我的网站中截取的文章，有更多的文章欢迎来访问我自己的博客网站rn.berlinlian.cn，这里还有很多有关计算机的知识，欢迎进行留言或者来我的网站进行留言！！！