推荐系统中的DIN模型（注意力机制对业务理解）

前言

前面提到了AFM这一技术，在人工智能领域它只是一个基础性的探索，并未从业务角度进行深入设计。特别是在在线广告领域中点击率（Click-through rate, CTR）预测是一项关键应用任务。在广告投放中成本（cost-per-click, CPC）优化系统中采用的是有效价格排名（effective cost per mille, eCPM），其计算方式为出价与点击率相乘；而点击率本身则需要通过广告系统进行预估才能应用于实际推广策略。因此CTR预估模型的表现直接影响广告系统的收益效果，并在电商广告推荐系统中发挥核心作用。2018年阿里提出的DIN模型相较于之前的AFM方法，在算法设计上融入了更多的业务考量元素。该模型主要应用于阿里的电商广告推荐业务，在用户体验方面具有显著优势：通过分析用户的历史浏览记录并结合注意力机制来构建用户的兴趣画像体系；从而实现根据用户的浏览历史推荐相关商品。通俗来讲就是在给用户推荐商品时会参考他之前购买或浏览的商品信息来进行精准推荐

我们之前介绍的多种推荐模型本质上都遵循着 Embedding&MLP 的框架，在应用中通常遵循着相似的操作流程。这类模型在处理数据时的具体区别主要体现在嵌入层与特征交互环节上。通过将离散且低维的信息转换为高维且连续的向量表示，并融合后进行多维度交互处理。存在的问题是不同用户的使用行为具有显著差异性，并会对目