{"id":1381,"kind":"story","title":"検索・推薦に使うツインタワーモデル:事前計算で素早く探し、誤答の選び方で学習する","url":"https://zenn.dev/ca_kagglers/articles/two-tower-mechanism","host":"zenn.dev","by":"startupxo","score":0,"comments":0,"time":"2026-11-13T06:31:35.289Z","origin":"curated","language":{"source":"ko","reading":"ja","translated":true},"summary":["ツインタワーは、検索語やユーザー情報を読むニューラルネットワークと、検索対象の項目を読むニューラルネットワークを別々に持ち、それぞれが作る数値の組(ベクトル)を掛け合わせて、どのくらい合っているかのスコアを出します。スコアが高い項目を上に表示します。","項目側のベクトルはあらかじめ計算して保存しておけるため、検索時にはクエリ側だけを計算すればよくなります。筆者は、この点が大量の候補の検索に効率的だと説明しています。","学習では、同じバッチ内の他の正解項目を誤答(ネガティブ)として再利用します。人気の項目が誤答として使われすぎる偏りは出現確率で補正し(Yi らの論文)、ログに現れない項目はランダムな誤答で補います(Yang らの論文)。","紛らわしい誤答(ハードネガティブ)を使う方法について、Facebook の検索論文(Huang ら)は、101位から500位の候補を使ったときに再現率が最も良かったと報告しています。配備時の近似探索は速度を上げますが、一部の候補を見逃すことがあります。"],"discussion":"https://startupxo.com/ja/1381/","markdown":"https://startupxo.com/ja/1381.md","api":"https://startupxo.com/api/v1/item.json?id=1381&lang=ja","text":null,"edited":null,"sources":[{"site":"rss","name":"Zenn","url":"https://zenn.dev/ca_kagglers/articles/two-tower-mechanism","score":null,"comments":null,"observed_at":"2026-11-13T12:27:53Z"}],"thread":[]}