在推荐系统中，双塔模型的训练数据通常由用户特征、正样本物品特征、负样本物品特征组成，并通过监督学习优化用户和物品的Embedding相似度。以下是一个具体的示例说明：
1. 训练数据的结构
每条训练样本通常包含以下三部分：
- 用户特征：描述用户的信息（如ID、历史行为、人口属性等）。
- 正样本物品特征：用户实际交互过的物品（如点击,加购,购买）。
- 负样本物品特征：用户未交互的物品（随机采样或难例挖掘）。
最终训练时，每条样本会以 (用户特征, 正样本物品特征, 负样本物品特征) 的形式输入模型。
2. 示例：电影推荐场景
假设我们有一个电影推荐系统，用户特征包括用户ID、年龄、性别、历史点击的电影ID序列；物品特征包括电影ID、类型、导演、演员、评分等。
示例数据表
| 用户特征 | 正样本物品特征 | 负样本物品特征 |
|---|---|---|
用户ID=123, 年龄=25, 性别=男, 历史点击=[电影A, 电影B] | 电影ID=电影X, 类型=动作, 导演=张艺谋, 演员=吴京, 评分=8.5 | 电影ID=电影Y, 类型=爱情, 导演=李安, 演员=周冬雨, 评分=7.2 |
用户ID=456, 年龄=35, 性别=女, 历史点击=[电影C, 电影D] | 电影ID=电影Z, 类型=科幻, 导演=诺兰, 演员=马修, 评分=9.0 | 电影ID=电影W, 类型=恐怖, 导演=温子仁, 演员=帕特里克, 评分=6.8 |
3. 数据预处理的关键步骤
（1）用户特征处理
- 用户ID：通过Embedding层转换为稠密向量。
- 历史行为序列：对点击的电影ID序列进行Embedding，然后通过Pooling（如平均池化）生成固定长度的向量。
- 年龄/性别：归一化或分桶后作为数值特征输入。
（2）物品特征处理
- 电影ID：通过Embedding层转换为稠密向量。
- 类型/导演/演员：多值类别特征（如电影类型是“动作,冒险”），使用Multi-hot编码或Embedding。
- 评分：归一化后作为数值特征。
（3）负样本生成
- 随机负采样：从未交互的电影中随机选择（如示例中的“爱情片”作为男性用户的负样本）。
- 难例挖掘：选择与用户历史行为相似但未点击的物品（需额外策略）。
4. 模型的输入输出示例
假设模型输入为结构化特征，输出为用户和物品的Embedding：
用户塔输入（示例用户123）：
{
"user_id": 123, # Embedding输入
"age": 25, # 归一化为0.6（假设最大年龄40）
"gender": "男", # 编码为[1,0]
"history_clicks": [电影A, 电影B] # 序列Embedding平均池化
}
物品塔输入（正样本电影X）：
{
"movie_id": 电影X, # Embedding输入
"genres": ["动作", "冒险"], # Multi-hot编码或Embedding
"director": "张艺谋", # Embedding输入
"rating": 8.5 # 归一化为0.85（假设满分10）
}
模型输出：
- 用户Embedding：
[0.3, -0.2, 0.5, ...]（假设维度为64） - 物品Embedding：
[0.4, 0.1, -0.3, ...]
损失计算：
- 目标：最大化用户Embedding和正样本物品Embedding的点积，最小化与负样本的点积。
- 损失函数示例：二元交叉熵损失（正样本标签为1，负样本标签为0）。
5. 关键总结
- 训练数据本质：通过用户与物品的交互行为（正样本）和随机/难例负样本，学习用户和物品的匹配关系。
- 特征设计：用户侧关注行为序列和画像，物品侧关注内容和属性。
- 端到端训练：双塔模型是联合训练的，确保用户和物品的Embedding在同一空间对齐。
通过这种数据结构和训练方式，双塔模型可以高效捕捉用户与物品的潜在关联，为后续召回阶段提供高质量的候选集。
