假设您有一个嵌入模型。对于一位用户，您 来决定要推荐哪些商品？
在服务时，给定一个查询，首先执行以下某项操作：
- 对于矩阵分解模型，查询（或用户）嵌入是已知的 而系统只需从命令行查询 用户嵌入矩阵。
- 对于 DNN 模型，系统会计算查询嵌入 \(\psi(x)\) 方法是使用特征向量 \(x\)运行网络。
有了查询嵌入后 \(q\)，搜索项嵌入 \(V_j\) 与嵌入空间中的 \(q\) 相似。 这是最近邻问题。例如，您可以 根据相似度分数 \(s(q, V_j)\)计算推荐项。
您可以在相关内容推荐中使用类似的方法。例如： 当用户观看 YouTube 视频时，系统会首先查找 然后查找其他项的嵌入， \(V_j\) 。
大规模检索
为了计算嵌入空间中的最近邻， 能够对每个潜在候选对象进行详尽评分。详尽评分 对于非常大的语料库来说，成本可能相当高，但您可以使用 以下策略，以提高其效率：
- 如果查询嵌入是静态已知的，则系统可以执行 计算详尽的离线评分、预计算并存储 针对每项查询的首选候选字词。 相关推荐。
- 使用近似最近邻。