从“直觉 → 结构 → 训练 → 推理 → 新 item 挂载”一步步来，用通俗语言 + 必要公式把 TDM（Tree-based Deep Model，树模型）彻底讲透。

一、结论

TDM 是一种把“海量 item 的多分类问题”，变成“在一棵树上逐层二分类/多分类”的算法，用树结构把计算复杂度从 O(N) 降到 O(log N)。

它解决的是一个非常现实的问题：

item 太多了，模型算不过来。

二、TDM 想解决什么问题？（动机）

假设你在做推荐系统：

• item 数量：
  \( N = 10^6 \text{（100 万）} \)
• 用户 u 来了，你要预测：
  \( P(i \mid u) \quad \forall i \in {1,\dots,N} \)

❌ 传统做法（不可行）

Softmax：

\( P(i \mid u) = \frac{e^{f(u,i)}}{\sum_{j=1}^N e^{f(u,j)}} \)

计算复杂度：

\( O(N) \)

👉 直接爆炸。

三、TDM 的核心思想（一句话就懂）

别一次性在 100 万个 item 里选，先选“哪一大类”，再选“哪一小类”，最后选到具体 item。

这就是一棵树。

四、TDM 树长什么样？

1️⃣ 树结构

• 每个 叶子节点 = 一个 item
• 每个 非叶子节点 = 一组 item 的集合

例如：

               Root
          /               \
      Node A             Node B
     /       \           /       \
  item1    item2     Node C     item6
                      /   \
                  item3  item4

2️⃣ 树的数学表示

• 树深度：(L)
• 每个 item 对应一条路径：

\( \pi(i) = (n_0, n_1, \dots, n_L) \)

其中：

• (n_0)：根
• (n_L)：item 对应叶子

五、TDM 的概率分解（最关键的公式）

这是 TDM 的灵魂。

传统目标：

\( P(i \mid u) \)

TDM 把它拆成：

\(P(i \mid u) = \prod_{l=1}^{L} P(n_l \mid u, n_{l-1})\)

解释人话版：

• 用户 u

• 从根开始

• 每一层只判断：

  “在当前节点下，我该往哪个子节点走？”

对比一下复杂度

• 原来：
  \( O(N) \)
• 现在：
  \( O(L \cdot B) \approx O(\log N) \)

（B 是每层分支数）

六、每一层在干嘛？（模型结构）

在第 (l) 层：

• 输入：

  • 用户向量$ ( \mathbf{u} )$
  • 当前节点向量 \(( \mathbf{v}*{n*{l-1}} )\)

• 输出：

  • 子节点的概率分布

一个典型打分函数：

\( s(u, n) = \mathbf{u}^\top \mathbf{v}_n \)

Softmax（在兄弟节点内）：

\(P(n_l \mid u, n_{l-1})=\frac{e^{s(u,n_l)}}{\sum_{c \in \text{Children}(n_{l-1})} e^{s(u,c)}}\)

👉 注意：
softmax 只在“兄弟节点”里算，不是全局。

七、TDM 是怎么训练的？

1️⃣ 训练数据

每条样本是：

\( (u, i) \)

但我们把它变成：

\( (u, \pi(i)) \)

也就是：

• 用户
• item 对应的整条树路径

2️⃣ Loss 函数（路径级）

\(\mathcal{L}= \sum_{l=1}^{L} \log P(n_l \mid u, n_{l-1})\)

直觉解释：

• 每一层都要“走对”
• 走错一层，item 就找不到了

3️⃣ 为什么训练稳定？

• 每一层是 小 softmax
• 梯度干净
• 不会被百万 item 稀释

八、推理阶段（在线召回）

从根开始：

1. 在 root 选 top-K 子节点
2. 对每个子节点继续往下走
3. Beam Search / 贪心

复杂度：

\( O(K \cdot L) \)

👉 非常适合在线服务。

九、新 item 怎么挂载？

“TDM 树里边新 item 挂载：找特征最相似的叶子节点路径，相当于给这个新 item 一个更合理的起点”

这句话 完全正确。

新 item 挂载的做法

1️⃣ 先算 item embedding

\( \mathbf{e}_{new} \)

2️⃣ 从 root 开始找最相似路径

在第 (l) 层：

$n_l^*=\arg\max_{c \in \text{Children}(n_{l-1})} \mathbf{e}_{new}^\top \mathbf{v}_c $

3️⃣ 一直走到叶子

这条路径：

\( \pi(i_{new}) \)

就是新 item 的初始位置。

为什么这一步非常重要？

• 冷启动 item：

  • 如果随机挂
  • 召回几乎为 0

• 语义挂载：

  • 继承“相似 item 的流量路径”
  • 召回立刻可用

十、TDM vs 你熟悉的那些东西（统一视角）

NLP 扩词表 新 token 找相似 embedding 初始化 CLIP 视觉词汇 新视觉概念落到语义空间 Q-Former 从已有 token 中挑 TDM 在树结构里给新 item 找“合理位置”

场景	本质

一句话统一：

不要从随机点开始学习，要从“语义正确的位置”开始。

十一、一句话“面试 / 评审级总结”

你可以直接这么说：

TDM 将大规模 item 召回建模为树路径预测问题，通过概率分解把 O(N) 的分类复杂度降为 O(log N)，并允许新 item 通过语义相似路径挂载，实现高效、可扩展的推荐召回。