https://blog.csdn.net/XindiOntheWay/article/details/85220342
https://www.jianshu.com/p/ef3caa5672c8
https://myslide.cn/slides/10614#
1、受制於候選集合的大規模，在推薦系統里全面應用深度學習進行計算存在效果低下的問題。針對這一難題TDM原創性的提出了以樹結構組織大規模候選，建立目標（興趣）的層次化依賴關系，並通過逐層樹檢索的方式進行用戶對目標（興趣）的偏好計算，從而實現用戶目標（興趣）的最終推薦。
2、基本原理是使用樹結構對全庫item進行索引，然后訓練深度模型以支持樹上的逐層檢索，從而將大規模推薦中全庫檢索的復雜度由O(n)（n為所有item的量級）下降至O(log n)。
樹的構建過程, 實際是一個逐層聚類過程, 將所有的Item按其屬性不斷的進行二分聚類, 直至每個類只有單個的Item屬性, 聚類的最終效果是形成了一顆多層的二叉樹, 所有的item均屬於葉子節點, 所有的葉子結點從左到右相當於形成了一個有序的序列.
3、基於樹的檢索算法
在一些傳統的樹狀索引如二叉搜索樹、B-樹等結構中，檢索過程往往是使用鍵值在樹上進行逐層往下的top 1檢索，最終找到一個滿足條件的葉節點並返回。而在TDM框架中，基於樹結構進行大規模推薦的方法，是每一個用戶尋找K個最感興趣的葉節點。因此，檢索過程也做了相應的改變：在逐層往下的檢索過程中，每一層都保留K個節點並往下擴展，即經典的BeamSearch方法。這一檢索方案兼具效率與精度，剩下的問題是如何得到每層內精准的興趣判別器，來找到每層內的K個最感興趣的節點