前面讲了双塔模型召回，这一篇讲万能的双塔模型做排序，在广告和推荐的粗排序环节广泛实用。
双塔排序
首先这里的排序指的是粗排环节，召回侧多个召回渠道可能会召回几千级别的item，而精排模型一般复杂度比较高，所以整体目的是从几千的用户可能感兴趣的item里选出用户最感兴趣的top几百。
而样本侧呢，也没什么可说的，就直接用精排侧落的样本，比如点击率模型的话，就是曝光点击为正样本，曝光未点击为负样本。
两侧塔分别对应user塔和item塔，这里可以用一些在精排环节重要性比较高，有区分度及比较复杂的特征，因为整体来说这个量级计算量能hold住，特征做好了就可以训练模型。
线上依然是一样，所有item预测缓存起来，等到线上请求来了之后只预测user侧embedding，然后计算和缓存item的相似度排序即可。
ESMM粗排多目标
对于漏斗型转化场景来说，比如电商点击、购买的转化漏斗，基础的方案是点击和转化分别训练相应的模型，线上通过预估服务后去分别预测\(P_{ctr}\)和\(P_{cvr}\)，然后加权融合去推荐。
这样做有两个比较大的问题，首先正常客户转化是很稀疏的，比如我们拿到的某海淘客户从曝光到转化是万分之几的转化率，而点击正常时百分之几，所以相对转化很稀疏；另外需要考虑，点击模型学习到的东西是否是对转化模型有帮助的，比如客户最近疯狂浏览各种手机，那么这个信息对预测客户是否会购买手机有帮助，肯定是有的。
针对这些情况，阿里提出ESMM模型《Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate》，我们借鉴他的思路，分别搞两个双塔模型，左侧双塔学习点击率，右侧双塔学习转化率。
训练对时候点击且购买了，则左侧塔的label为1，且最终的label也为1，点击未购买，最终的label变为0，剩下曝光未点击的两个都为0，右侧塔的相似度是自由的，让模型自己去学习。
上线后一样获取user点击和转化的各自embedding，然后分别和需要排序的商品计算最终购买率score，去做排序。
他的优点是线上预估性能很好，因为只要计算相似度就可以，效果也还可以，是商品多目标场景粗排环节的不二之选。
其他疑问
既然召回和粗排都用双塔模型，那么为什么要搞这么复杂？我直接搞一个模型做整个召回和粗排的事情是否可以呢？
答案是不可以，这个要分广告和推荐单独来说，在广告里面，召回环节不单是是单纯的match，还要考虑关联性，比如搜索宝马，如果不考虑关联性很可能会关联出来点击率很高的热门广告，所以要早召回dssm模型里面做很多约束关联性的事情，百度Mobius就是做这个事情；那么出了这种关联性之外，再推荐里面是否可以呢，答案也是最好不要，原因是召回和粗排的目标不一样，召回因为要从整个物料集里面选出来可能喜欢的，正常物料集会很大，可能是千万甚至亿级别的，那么对检索的性能要求会很高，也就是说模型的维度和复杂度不能做的很高，但是粗排是从几千里面选出top几百，只要对几千做打分就可以，那么就可以做准确度更高参数更大的模型。整体分开做的好处有以下几点：
- 模型可以做的更复杂，准确度更高
- 样本侧可以单独做，各自的样本应对各自的目标以及分布
- 粗排可以直接计算相似度，而不用通过faiss之类的模糊检索，匹配度更准确。
- 对于像广告这种的，还会涉及到和query的关联性，所以召回需要单独的优化
