Em que difere o dual-encoder para recomendações do dual-encoder na pesquisa?

Dual-encoder — é uma arquitetura onde dois objetos diferentes (por exemplo, utilizador e produto, ou consulta e documento) são codificados num espaço vetorial usando dois codificadores separados.

Nas recomendações , o dual-encoder é geralmente treinado para que os vetores do utilizador e do produto estejam próximos se o utilizador estiver interessado no produto. O objetivo é encontrar produtos relevantes para o utilizador de forma eficiente, usando similaridade cosseno ou outra métrica.

Na pesquisa , o dual-encoder codifica a consulta e os documentos para que documentos semanticamente próximos tenham vetores próximos ao vetor da consulta. Aqui, a precisão na correspondência semântica entre a consulta e o documento é importante.

A principal diferença é que, nas recomendações, os objetos costumam ser diferentes por natureza (utilizador e produto), e o modelo pode levar em conta as preferências e comportamentos do utilizador, enquanto na pesquisa, a consulta e os documentos, onde a relevância semântica do texto é crucial. Além disso, as tarefas podem diferir em métricas e métodos de treino (por exemplo, amostragem negativa com estratégias diferentes).