假设您有一个嵌入模型。对于用户，您会如何决定推荐哪些商品？
在投放时，对于查询，您首先执行以下其中一项操作：
- 对于矩阵分解模型，查询（或用户）嵌入是静态已知的，系统只需从用户嵌入矩阵查找即可。
- 对于 DNN 模型，系统会在特征向量上运行网络，从而在服务时间 \(\psi(x)\)计算查询嵌入 \(x\)。
使用查询嵌入 \(q\)后，搜索嵌入空间中\(V_j\) 接近 \(q\) 的项目嵌入。这是最近的邻域问题。例如，您可以根据相似度分数 \(s(q, V_j)\)返回前 k 个项目。
您可以在商品推荐功能中使用类似的方法。例如，当用户观看 YouTube 视频时，系统可以先查找该元素的嵌入，然后查找嵌入空间中其他元素的\(V_j\) 的嵌入。
大规模检索
如需计算嵌入空间中最近的邻点，系统可以详尽地为每个潜在候选项评分。对于大型的语料库，详尽的评分可能会占用大量资源，但您可以使用以下任一策略来提高效率：
- 如果查询嵌入是以静态方式已知的，则系统可以离线执行详尽评分，预先计算并存储每个查询的首选候选列表。这是推荐相关商品的常见做法。
- 使用最近的邻点。