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 v_u与物品向量 v_m，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 x_u，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 v_u。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 x_m，同样通过多层全连接层得到物品嵌入 v_m。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。

菜单

TensorFlow Implementation of Content-Based Filtering｜基于内容过滤的TensorFlow实现

分享

TensorFlow Implementation of Content-Based Filtering｜基于内容过滤的TensorFlow实现

一、引言

二、模型结构：双塔

三、搭建子网络（Keras Sequential 建模）

3.1 设计要点

3.2 代码

3.3 为什么末层不加激活？

3.4 嵌入维度如何选？

四、输入、归一化与相似度（Inputs, L2 Norm & Dot）

4.1 定义输入张量

4.2 通过子网络得到向量表示

4.3 L2 归一化

4.4 相似度/匹配分数（Dot）

4.5 组装前向图

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）

5.2 二分类任务（点击/购买/喜欢概率）

5.3 正则化与稳定性

六、训练、评估与部署（Training, Eval, Serving）

6.1 组织训练数据

6.2 评估指标建议

6.3 导出与上线（Serving）

6.4 冷启动与特征工程要点

6.5 常见坑位与排查

评论

分享

TensorFlow Implementation of Content-Based Filtering｜基于内容过滤的TensorFlow实现

一、引言

二、模型结构：双塔

三、搭建子网络（Keras Sequential 建模）

3.1 设计要点

3.2 代码

3.3 为什么末层不加激活？

3.4 嵌入维度如何选？

四、输入、归一化与相似度（Inputs, L2 Norm & Dot）

4.1 定义输入张量

4.2 通过子网络得到向量表示

4.3 L2 归一化

4.4 相似度/匹配分数（Dot）

4.5 组装前向图

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）

5.2 二分类任务（点击/购买/喜欢 概率）

5.3 正则化与稳定性

六、训练、评估与部署（Training, Eval, Serving）

6.1 组织训练数据

6.2 评估指标建议

6.3 导出与上线（Serving）

6.4 冷启动与特征工程要点

6.5 常见坑位与排查

评论

5.2 二分类任务（点击/购买/喜欢概率）