【DNN】DIEN算法原理

最新推荐文章于 2024-03-21 13:41:25 发布

凝眸伏笔

最新推荐文章于 2024-03-21 13:41:25 发布

阅读量1.3k

点赞数 1

分类专栏： DNN 文章标签：人工智能深度学习

本文链接：https://blog.csdn.net/pearl8899/article/details/106304536

版权

DNN 专栏收录该内容

21 篇文章 6 订阅

订阅专栏

在阿里的DIN之后，随后推出了DIEN，发表于2018年，论文地址点击这里。

重点：

DIEN相比之前的DIN，主要的trick在于对于用户的长期兴趣和短期兴趣的刻画，引入了有监督的AUGRU网络，刻画的更加准确。
为了捕捉用户兴趣的演变，以及用户对目标ad的兴趣，又加了一层带attention的GRU网络。
带attention的GRU网络中，作者尝试了3种不同的形式，最后得到的结论是对update gate作加权效果最好，GRU结构中，update gate反应的是从当前时刻隐藏层和前一时刻隐藏层各继承多少信息。

论文精读

abstract

在ctr预估中，捕捉用户历史行为数据中的潜在兴趣是比较重要的一项工作。考虑到外部环境的内部认知的变化，用户兴趣也在动态的发生变化。有很多ctr方法对兴趣进行建模，这些方法直接将行为的表示视为兴趣，缺少对潜在兴趣的建模，对当前行为的深入挖掘。很少有方法考虑兴趣的变化，本文，提出DIEN，设计了interest extractor layer 从用户历史行为序列中捕捉当时的兴趣。在兴趣提取层我们多加入了一个loss，去监督每一步的兴趣提取情况。在电商领域，用户的兴趣是多种多样的，我们提出兴趣进化层(interest evolving layer )去捕捉兴趣随着目标item的进化过程。

Introduction

在大多数的非搜索场景下，用户没有表现出他们当前的意图。设计模型去捕捉用户的兴趣是ctr预估性能提升的一个方面。DIN指出用户的兴趣是多样性的，引入attention模型捕捉用户相对于target item的兴趣，得到自适应的兴趣表示。然而，DIN建模的兴趣是直接将行为视为了兴趣。我们知道，潜在的兴趣很难从显示的行为中反应出来。前面的方法忽略了从用户行为中挖掘用户的真实兴趣。用户的兴趣是持续变化的，从兴趣表示中捕捉兴趣的动态变化是非常重要的。

DIEN的两个主要创新：

1.从显示的行为中，提取潜在的当前兴趣。

2.对兴趣进化过程进行建模。

兴趣表示是对兴趣进化建模的重要基础。在兴趣提取层，DIEN使用GRU来建模行为之间的依赖。兴趣最终来源于连续的序列行为中，我们使用了额外的loss，用下一个行为来监督当前hidden state的学习。我们将这个hidden state作为兴趣状态，额外的监督信息有助于捕捉更多兴趣表示的语义信息，使用GRU的hidden state去表示兴趣。用户的兴趣是多样的，会存在兴趣漂移现象，比如，在近邻的一些访问中，用户的意图是非常不同的。一个用户的行为可能依赖于另一个停留时间比较久的行为。每一个兴趣都有自己的进化轨迹。用户对不同item的点击行为会受到兴趣的影响。兴趣进化层建模时，依赖于target item。从兴趣提取层获得兴趣序列，设计了带有AUGRU(attentional update gate )的GRU。用兴趣状态和target item的计算相关性，AUGRU增强了相关兴趣对兴趣进化的影响，弱化了不相关兴趣对结果的影响(避免了兴趣漂移现象，这个地方我的理解是，比如真实想买一个裙子，可能看到短裤后，点击，并且有过停留，但最终还是想要买裙子，此时会把短裤的行为认为是兴趣漂移)。

文章DIEN 主要贡献：

1.聚焦于电商系统的兴趣演化现象，提出新的网络给兴趣演化过程进行建模。

2.设计了兴趣提取层。GRU的hidden state对兴趣的表示缺少针对性，我们提出额外的loss，用连续的行为去监督hidden state的学习。是的hidden state充分的表示潜在兴趣。

3.设计了兴趣演化层，AUGRU增强了跟目标item的相关性，客服了兴趣的漂移。

related work

wide&deep和deepFM组合低阶和高阶特征去提升表达能力。PNN提出一个product层捕捉不同类别的交互形式。这些模型中，用户的历史行为通过embeding和pooling的方式转换为低阶向量，但是这并不能反映出隐藏在数据背后的用户兴趣。DIN通过引入attention机智，来激活跟给定target item相关的历史行为，捕捉用户行为的多样性，但是，DIN获取序列行为之间的关联时，能力较弱。

基于RNN的模型，可以通过item被购买的序列，得到每个用户的动态表示，也存在一些问题，比如，RNN将序列结构的hidden state直接作为潜在的兴趣，其实hidden state在表示兴趣时，缺少一定的监督。另一方面，现存的RNN模型一视同仁的处理近邻行为之间的依赖关系。用户的行为并不是严格依赖最近一段时间内的行为。每个用户的兴趣是多样的，每个兴趣有自己的演化轨迹，对于任意的target item，这些模型只能获得一个固定的演化轨迹，可能会被兴趣漂移所干扰。

为了使用序列结构的hidden state表示潜在兴趣，额外的监督行为引入了进来。DARNN引入ranking information，建模点击行为。还有人将ranking loss引入的ranking task中。类似的，本文提出了一个额外的loss用于学习用户的潜在兴趣。这个loss用连续点击的item，跟非点击的item对比，去监督兴趣表示的学习。

为了捕捉跟target item相关的兴趣演化进程，我们需要更加灵活的序列学习结构。在问答系统中，AGRU引入attention机制保持位置和输入的实际顺序的敏感度。在AGRU中，attention score替代了更新gate的vector，这个表示胡烈了不同维度update gate之间的区别，这些不同的维度中从先前的序列中提取出了丰富的信息。收到这个方法的启发，本文提出了AUGRU去激活在兴趣演化进程中跟target item相关的兴趣。跟AGRU不同的是，AUGRU的attention score从update gate中获取信息，使得演化过程更加敏感和精确。