双塔模型是向量召回的主流方案，用户塔和物品塔分别编码后做内积或余弦相似度检索。优点是物品向量可离线预计算，线上通过近似最近邻检索快速得到候选，满足大规模推荐的延迟要求。
落地时首先要处理特征划分。用户侧特征只能用请求时刻可获得的信息，物品侧特征可包含内容与统计信息。两侧特征不能交叉，否则无法独立编码，这是双塔的结构约束，也是效果上限的来源。
训练目标常用采样的softmax或成对损失。负样本选择影响很大：随机负样本太简单，模型学不到细粒度区分；可用热门负采样和批次内负采样提升难度，但要注意避免把真实正样本误当负样本。
线上检索需评估近似最近邻的召回损失。索引类型、聚类中心数、查询时的搜索宽度都会影响召回率和延迟。建议定期用精确检索做对照，监控近似检索的召回率衰减，避免索引老化带来隐性损失。
