原理

通过 Query 和 Title 的海量的点击曝光日志，用 DNN 把 Query 和 Title 表达为低纬语义向量，并通过 cosine 距离来计算两个语义向量的距离，最终训练出语义相似度模型。

训练阶段分别用复杂的深度学习网络构建query侧特征的query embedding和doc侧特征的doc embedding，线上infer时通过计算两个语义向量的cos距离来表示语义相似度，最终获得语义相似模型。这个模型既可以获得语句的低维语义向量表达sentence embedding，还可以预测两句话的语义相似度。

image.png

结构

DSSM 从下往上可以分为三层结构：输入层、表示层、匹配层

image.png

输入层

英文英文的输入层处理方式是通过word hashing，例如 boy 这个单词会被切为 #-b-o, b-o-y, o-y-#
word-trigram三个词一组，顺序滑动

中文采用字向量（one-hot）作为输入，向量空间约为 1.5 万维。

表示层 bow ,cnn ,rnn

bow 词袋模型: 3层 nonlinear projection(wx+b) , 300维，300维，128维最后输出128维
CNN-DSSM: 卷积层c pooling层v 语义层 h
举例：

卷积层：302个字向量  302*90000 -> 300*1     而卷积核是一个 3*90000 的权值矩阵
             而这样的卷积核有 300 个，所以形成了 300 个 300*1 的 feature map 矩阵

池化层:   每个 feature map 都取最大值，得到一个 300 维的向量。Max  
（3）全连接层
个 300 维的向量转化为一个 128 维的低维语义向量。全连接层采用 tanh 函数

匹配层

用doc,query 的128维做cosine相似度比较
残差会在表示层的 DNN 中反向传播，最终通过随机梯度下降（SGD）使模型收敛，得到各网络层的参数{Wi,bi}。

通过softmax 函数可以把Query 与正样本 Doc 的语义相似性转化为一个后验概率：

正负样本
输入 Qury 例如是一个用户特征，然后我们将推荐给用户一系列物品，假设是一系列房源，然后用户点击的房源就是有可能用户想要看的，其实这个也不一定是用户真正意图。那么用户点击就是正样本，反之其他的就是样本。

优缺点分析

优点：DSSM 用字向量作为输入既可以减少切词的依赖，又可以提高模型的泛化能力
缺点：上文提到 DSSM 采用词袋模型（BOW），因此丧失了语序信息和上下文信息