DSSM（Deep Structured Semantic Models）也叫深度语义匹配模型，最早由微软研究院的科学家在2013年提出应用于 NLP 领域中计算语义相似度任务的文章。它的设计灵感来自于神经网络在计算机视觉任务中的成功应用，希望将类似的思想应用于文本领域。DSSM 最初用于语义搜索，通过将查询和文档表示为连续的向量，使得可以度量它们之间的相似性。后来发现这个思路正好和推荐召回环节的思路完全一样，所以就借鉴给了推荐，因为效果不错并且对工业界十分友好，所以被各大厂广泛应用于推荐系统中，国内用的最早的是百度2015年用它来做广告的召回。
DSSM 理论知识
核心思想
DSSM 的核心思想是将文本映射到低维度的连续向量空间，以便可以通过计算向量之间的相似性来解决文本匹配和推荐问题。为了实现这一点，DSSM 采用了深度神经网络架构，包括多层神经网络和一些特殊的损失函数，例如 Cosine 相似性损失。
模型原理
DSSM 模型原理很简单，获取推荐中的用户特征和 item 的海量曝光和点击日志数据，训练阶段分别用复杂的深度学习网络构建 user 和 item 两个独立的子网络，将训练好的两个“塔”中的 user embedding 和 item embedding 各自缓存到内存数据库中。线上预测的时候只需要在内存中计算相似度运算即可。
模型整体结构
