2020-12-31

Deep Interest Network for Click-Through Rate Prediction阅读

对比网络结构

在old网络中：

1. 候选ad只是跟用户历史特征进行一个简单concatenate，并没有考虑候选特征与用户例行行为之间的相关性。
2. 所有用户例行行为特征都被压缩成相同长度的embedding vector。

在DIN网络中：

1. 通过考虑特征历史行为特征与候选特征之间的相关性，自适应计算用户历史行为特征的embedding vector。

local activation unit

上述是“local activation unit”的计算公式。
因为作者认为所有权重总和，在某种程度上，代表着“激活用户兴趣的强度”。如果对权重w进行归一化，是的总和为1，就无法区分 “候选广告” 与 “历史行为特征” 之间的兴趣强度。

文中举例子：如果用户90%的历史记录是衣服，10%的历史记录是电子产品，那么当候选广告有T恤和手机时，T恤肯定会激活更多的历史记录，最终的V_u值更大。

我的疑问：这样会不会导致给用户一直推荐同一类商品。即推荐多样性就会降低。