DSSM 双塔向量化召回

DSSM 双塔向量化召回 (Deep Structured Semantic Models / Two-Tower Architecture) 是一种将用户侧特征与物品侧特征完全解耦为两个独立子网络的深度学习召回架构；用户塔 (User Tower) 将用户画像、历史点击序列、上下文特征映射为低维稠密向量 $u(x) \in \mathbb{R}^d$，物品塔 (Item Tower) 将物品属性、类目、文本特征映射为同维度的物品向量 $v(y) \in \mathbb{R}^d$；模型通过内积 $\langle u(x), v(y) \rangle$ 或余弦相似度计算匹配分；在线 Serving 时，全量物品向量离线预计算存入 ANN 向量索引库 (HNSW/Milvus)，在线仅需单次前向执行 User 塔，随后发起毫秒级 ANN Top-K 检索。

亿级商品推荐、广告检索初筛、短视频个性化召回、以及跨模态语义匹配。

传统协同过滤无法有效处理冷启动物品且难以融入复杂多模态特征，而深度交互网络无法离线解耦；双塔架构实现了“离线预计算物品向量 + 在线单次前向极速 ANN 检索”的工业级解耦奇迹。

详细剖析 In-batch Negative Sampling (批内负采样) 在双塔模型训练中的计算优势与极端热门物品偏置消除 (Popularity Debias)？

双塔模型为什么在结构上严禁 User 特征与 Item 特征在底层发生任何显式交叉（Cross Features）？

当用户产生实时动态点击行为时，如何通过 Streaming Realtime User Tower 快速刷新用户表征以实现秒级兴趣捕捉？

训练时使用的 Softmax 交叉熵损失函数中，温度超参数 $\tau$ (Temperature: $P = \frac{e^{u^T v / \tau}}{\sum e^{u^T v_j / \tau}}$) 的调参影响？

分析“简易负例 (Easy Negatives: 随机负采)”与“难负例 (Hard Negatives: 曝光未点击/相似但不感兴趣)”在训练双塔判别能力中的配比？