本文主要是介绍特征的前期融合与后期融合在召回、粗排、精排应用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
前期融合：先对所有特征做concat，再输入DNN，一般常见于精排模型
特点：线上推理代价大，若有n个候选item需要做n次模型计算
后期融合：把用户和物品特征分别输入不同的神经网络，不对用户和物品做融合，常见于召回双塔
特点：线上计算量小，用户塔只需要做一次线上推理，计算用户表征a，物品表征b事先存储在向量数据库，物品塔在线上不做推理；预估准确性不如精排模型。
粗排模型：一般介于前期融合和后期融合之间，比如三塔模型
前期：
- 用户塔：只有一个用户，线上推理一次，即时用户塔计算量很大也费不了多少资源
- 物品塔：有n个物品理论上要做n次推理，PS缓存物品塔输出向量，避免绝大部分推理
- 交叉塔：统计特征动态变化缓存不可行，有n个物品交叉塔必须做n次推理
后期：
- 有n个物品模型上层需要做n次推理，粗排模型推理大部分计算量在模型上层
引申问题：双塔在召回和粗排有啥区别？
双塔模型在召回和粗排的区别-CSDN博客
这篇关于特征的前期融合与后期融合在召回、粗排、精排应用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
