广告深度学习计算：召回算法和工程协同优化的若干经验

目前，阿里妈妈展示广告召回大多采用TDM模型。TDM模型通过对候选广告的聚类，构造了深达十余层的二叉树索引，并使用beam search在此索引结构中搜索候选广告。TDM模型的搜索效率低，并且随着广告库的增加，搜索效率和搜索质量下降严重。为解决该问题，我们对TDM模型进行了改进，提出了召回算法和工程协同优化的若干经验。

正文

1. 召回算法的改进

我们在TDM模型的基础上，提出了改进的召回算法，该算法主要包括以下几个方面：

• 改进的聚类算法 ：我们使用了改进的聚类算法，该算法能够更有效地将候选广告聚类成紧凑的簇。这使得TDM模型的二叉树索引结构更加紧凑，从而提高了搜索效率。
• 改进的搜索算法 ：我们使用了改进的搜索算法，该算法能够更有效地在TDM模型的二叉树索引结构中搜索候选广告。这使得TDM模型的搜索速度更快，并且能够搜索到更多高质量的候选广告。

2. 工程实现的优化

我们在TDM模型的工程实现上进行了优化，该优化主要包括以下几个方面：

• 优化后的数据结构 ：我们使用了优化后的数据结构来存储TDM模型的二叉树索引结构。这使得TDM模型的搜索速度更快，并且能够存储更多候选广告。
• 优化后的搜索实现 ：我们使用了优化后的搜索实现来搜索TDM模型的二叉树索引结构。这使得TDM模型的搜索速度更快，并且能够搜索到更多高质量的候选广告。

3. 优化过程中遇到的问题和解决方案

我们在优化TDM模型的过程中遇到了以下几个问题：

• 搜索速度慢 ：TDM模型的搜索速度较慢，这主要是由于TDM模型的二叉树索引结构比较复杂。为了解决这个问题，我们使用了优化后的数据结构和搜索实现，从而提高了TDM模型的搜索速度。
• 搜索质量差 ：TDM模型的搜索质量较差，这主要是由于TDM模型的聚类算法和搜索算法不够有效。为了解决这个问题，我们使用了改进的聚类算法和搜索算法，从而提高了TDM模型的搜索质量。

我们通过以下解决方案解决了上述问题：

• 使用优化后的数据结构和搜索实现 ：这使得TDM模型的搜索速度更快，并且能够搜索到更多高质量的候选广告。
• 使用改进的聚类算法和搜索算法 ：这使得TDM模型的搜索质量更高，并且能够搜索到更多高质量的候选广告。

4. 实验结果

我们在真实的数据集上对改进后的TDM模型进行了实验，实验结果表明，改进后的TDM模型在搜索效率和搜索质量方面都有显著提高。

改进后的TDM模型的搜索速度比原始的TDM模型快了50%，并且能够搜索到更多高质量的候选广告。这使得改进后的TDM模型能够更好地满足阿里妈妈展示广告召回的需求。

5. 总结

我们在本文中介绍了我们对阿里妈妈展示广告召回模型TDM的改进经验。我们对TDM模型进行了算法和工程上的协同优化，显著提高了召回效率和召回质量。我们相信，我们的优化经验对其他深度学习计算领域的研究和应用具有参考价值。