推荐系统研究：Deep Interest Networks in Click-Through Rate Prediction

论文地址：Deep Interest Network for Click-Through Rate Prediction

该研究由阿里巴巴广告技术团队完成，是一篇具有较强实际应用价值的文献。

ABSTRACT

当前主流的基于深度学习的CTR预测技术，其架构通常由Embedding与MLP组成，将高维稀疏特征转化为低维嵌入表示，并将所有特征拼接后输入MLP以学习非线性特征。在此过程中，无论候选商品为何，用户向量均被固定为某一特定向量，这种设定在一定程度上限制了从用户历史行为中提取兴趣多样性的能力。为此，文章提出了一种名为Deep Interest Network (DIN)的模型，该模型能够依据候选商品的不同，动态调整并学习用户向量的表达方式。

1. INTRODUCTION

将用户多元化的兴趣信息通过Embedding+MLP的方式映射为固定长度的向量，这种方式在一定程度上削弱了模型对复杂特征的表达能力。若直接提升user vector的维度，不仅会导致参数规模和计算复杂度的上升，还可能引发过拟合的问题。

与此同时，针对某一特定商品而言，并非需要将用户全部兴趣点都纳入到user vector中进行映射，因为只有与该商品相关联的部分兴趣才会显著影响用户的点击行为。例如，一位女性可能会