修改3.2.3的描述和引用

Author: bokang-ugent

docs/_sources/chapter_1_retrieval/2.embedding/2.u2i.rst.txt

@@ -143,7 +143,7 @@ pooling（对应用户-物品交互）。
     +---------------+--------------+-----------+----------+----------------+---------------+
     |   hit_rate@10 |   hit_rate@5 |   ndcg@10 |   ndcg@5 |   precision@10 |   precision@5 |
     +===============+==============+===========+==========+================+===============+
-    |        0.0452 |       0.0288 |    0.0223 |    0.017 |         0.0045 |        0.0058 |
+    |        0.0012 |       0.0005 |    0.0004 |   0.0002 |         0.0001 |        0.0001 |
     +---------------+--------------+-----------+----------+----------------+---------------+
 
 
@@ -175,10 +175,11 @@ DSSM将召回任务视为一个极端多分类问题，将物料库中的所有
 
 这里\ :math:`s(x,y)`\ 表示用户\ :math:`x`\ 和物品\ :math:`y`\ 的相似度分数，\ :math:`P(y|x,\theta)`\ 表示匹配概率，\ :math:`M`\ 表示整个物料库。由于物料库规模庞大，直接计算这个softmax在计算上不可行，因此实际训练时采用负采样技术，为每个正样本采样一定数量的负样本来近似计算。
 
-关键的工程细节
+双塔模型的细节
 ~~~~~~~~~~~~~~
 
-DSSM的成功不仅来自架构设计，更源于一些关键的工程技巧：
+除了相对简单的模型结构外，双塔模型在实际应用中的一些关键细节同样值得深入探讨。这些细节往往决定了模型的最终效果，:cite:`yi2019sampling`
+等研究对此进行了分析。
 
 **向量归一化**\ ：对用户塔和物品塔输出的embedding进行L2归一化：
 
@@ -245,7 +246,7 @@ DSSM在推荐系统中广受欢迎的根本原因在于它在效率和效果之
     +---------------+--------------+-----------+----------+----------------+---------------+
     |   hit_rate@10 |   hit_rate@5 |   ndcg@10 |   ndcg@5 |   precision@10 |   precision@5 |
     +===============+==============+===========+==========+================+===============+
-    |        0.0389 |       0.0076 |    0.0169 |   0.0058 |         0.0039 |        0.0015 |
+    |         0.046 |       0.0098 |    0.0161 |    0.005 |         0.0046 |         0.002 |
     +---------------+--------------+-----------+----------+----------------+---------------+
 
 
@@ -325,6 +326,6 @@ YouTubeDNN的成功在于建立了一套可扩展、可工程化的推荐系统
     +---------------+--------------+-----------+----------+----------------+---------------+
     |   hit_rate@10 |   hit_rate@5 |   ndcg@10 |   ndcg@5 |   precision@10 |   precision@5 |
     +===============+==============+===========+==========+================+===============+
-    |        0.0414 |       0.0101 |    0.0145 |   0.0047 |         0.0041 |         0.002 |
+    |        0.0224 |       0.0061 |    0.0084 |   0.0033 |         0.0022 |        0.0012 |
     +---------------+--------------+-----------+----------+----------------+---------------+
 

docs/_sources/chapter_2_ranking/1.wide_and_deep.rst.txt

@@ -108,6 +108,6 @@ Deep不仅是一个具体的模型，更是一种重要的设计哲学，它为
     +--------+--------+---------------+
     |    auc |   gauc |   valid_users |
     +========+========+===============+
-    | 0.5987 | 0.5741 |           928 |
+    | 0.5966 | 0.5757 |           928 |
     +--------+--------+---------------+