-
概述：隐式语义模型将query与document映射到低维空间，把二者的相关性问题转化为低维空间向量的距离。DSSM使用深度结构实现此映射过程，同时提出word hashing技术使得模型适用于大规模数据
-
经典的隐式语义模型：
1）无监督，目标函数与评价指标耦合关系较弱，效果不佳
1.latent semantic analysis： 对document-term利用SVD进行分解，映射doc或term到低维空间
2.probabilistic latent semantic analysis
3.latent dirichlet allocation
2）拓展隐式语义模型：利用用户点击数据
1.Bi-Lingual Topic Models: 生成模型
2.Discriminative Projective Mdoels：使用S2Net算法进行学习
3）拓展隐式语义模型：利用自动编码器，生成模型
-
DSSN模型：
1）结构：
2）计算：
3）DSSM模型学习过程：
1.给定query时点击文档的后延概率：
2.最小化目标函数：D+正样本、随机采样未点击D-负样本
4）word hashing: 解决term vector太大问题，对bag-of-word向量降维
1.方法：以单词good为例，先为其添加起止符号为#good#，然后拆分为n-gram，典型的trigrams为(#go,goo,ood,od#)，最后单词被表示为n-gram字符的向量
2.优点：将低term vector的维度
3.不足：碰撞问题