-
概述：隱式語義模型將query與document映射到低維空間，把二者的相關性問題轉化為低維空間向量的距離。DSSM使用深度結構實現此映射過程，同時提出word hashing技術使得模型適用於大規模數據
-
經典的隱式語義模型：
1）無監督，目標函數與評價指標耦合關系較弱，效果不佳
1.latent semantic analysis： 對document-term利用SVD進行分解，映射doc或term到低維空間
2.probabilistic latent semantic analysis
3.latent dirichlet allocation
2）拓展隱式語義模型：利用用戶點擊數據
1.Bi-Lingual Topic Models: 生成模型
2.Discriminative Projective Mdoels：使用S2Net算法進行學習
3）拓展隱式語義模型：利用自動編碼器，生成模型
-
DSSN模型：
1）結構：
2）計算：
3）DSSM模型學習過程：
1.給定query時點擊文檔的后延概率：
2.最小化目標函數：D+正樣本、隨機采樣未點擊D-負樣本
4）word hashing: 解決term vector太大問題，對bag-of-word向量降維
1.方法：以單詞good為例，先為其添加起止符號為#good#，然后拆分為n-gram，典型的trigrams為(#go,goo,ood,od#)，最后單詞被表示為n-gram字符的向量
2.優點：將低term vector的維度
3.不足：碰撞問題