DIN模型介绍

简介

场景：依据用户过往的行为序列，为用户匹配相应的物品
例如：当用户近期购买了鞋子和裙子，此时需要预测其对一件女性大衣的点击通过率
又如在音乐领域，若用户最近收听的是说唱音乐，则需评估其对中国新说唱类歌曲的点击概率

1. 通常采用的方式是将用户历史行为中各个物品的嵌入向量进行平均池化处理
2. 然而，在实际情况中，用户的某些行为与当前推荐物品存在较强联系，而另一些则关联性较弱。例如，女性偶尔会为男朋友购买球鞋，或偶然听到一首流行歌曲，这些行为与当前想要获取的物品之间的关系并不密切；相反，当女性再次购买高跟鞋时，其对口红的需求可能具有更高的相关性
   这正是引入注意力机制所具备的重要价值。

Attention机制

所谓注意力机制，即在模型进行预测时，会根据用户行为的相关性赋予不同的关注程度，对于具有关联性的行为历史给予更高的权重，而对于无关的历史信息则可以予以忽略。这一理念在模型设计中的体现也显得尤为直观。

Vu代表用户的兴趣表达，Vi表示历史物品的嵌入向量，Va则对应当前物品的嵌入向量。wi用于表征每个历史物品与当前物