推荐系统CTR预估模型之Deep Interest Network(Din)

 Deep Interest Network(Din)模型是阿里妈妈基础算法团队发表在KDD 18上的一篇论文，用来做CTR预估。

 文章的innovation也很简单，在电商场景的广告推荐中，用户的兴趣非常重要，而用户的兴趣从算法测一般通过用户历史浏览点击的一些商品来进行刻画，目前的主流DNN模型都是直接把用户的一些兴趣(可以是一些用户历史浏览点击的商品，keyword等feature)直接做一个embedding，映射成一个fixed-length的Dense vector，然后输入到DNN模型。这样做有一个缺点，就是对于用户将要浏览的不通商品(candidate ad)，这样做获得的embedding向量是一样的，事实上这样做不是太好，比如我们很容易想到，假如兴趣是时序的，那一般我们都会认为最近的兴趣一般会对用户的当前行为影响更大，可能会对时间做一个简单的权重衰减之类的，那Din是怎么做的呢？

 Din calculates the representation vector of user interests by taking into consideration the relevance of historical behaviors given a candidate ad. It pays attentions to the releated parts of historical behaviors and takes a weighted sum pooling to obtain the representation of user interests with respect to the candidate ad, In this way, the repressentation vector of user interests varies over different ads. Din可以根据不同的candidate ad计算得到不同的特征向量，为什么这么做呢？ e.g. 一个年轻的妈妈最近浏览了一些商品，包括毛呢大衣，T恤，耳环，手提袋，皮包和小孩的衣服。 那按以前的做法，不管这个用户将要看什么商品，对他的影响都是一样，取一个平均， 但是这样与实际情况显然不符合， 假如该用户现在有在看大衣， 那