详细解读推荐算法MIND（Multi-Interest Network with Dynamic Routing）

      该算法来自论文《Multi-Interest Network with Dynamic Routing for Recommendation at Tmall 》。这篇论文的一作来自阿里巴巴团队。作者在实验部分展示了该算法子Tmall上的效果。

一、研究动机

        推荐系统主要有召回和排序阶段，算法 MIND解决召回问题，即从大量的数据中取出上千个相关的item。召回的方式有很多，经典的有协同过滤和模型召回。模型召回的方法的思路是学习user向量和item向量，通过向量的相似度选出与user相关的item。

      现有的大量模型召回方法是为每个user学习一个向量，对于像Tmall这种大型的商场网站中，用户的兴趣是多样的，其点击的商品也会是多种类别的。因此，一个向量是无法充分建模user的兴趣画像。作者提出了一种MIND的算法来为每个user学习多个向量，多个向量可以捕捉user兴趣的多样性。

二、MIND算法

      每个样本被处理成三元组的形势，即（user特征；user行为，即user交互过的item；目标item）。对于单个user，MIND的输入是user的特征和行为；目标item用户指导模型训练，也就是作为监督信息。MIND的输出是K个D维的向量，D是单个向量的维度，K是兴趣向量的个数。在计算user和item的相似度时，分别去计算item与user的每一个兴趣向量的相似度，然后取最大值。公式如下：