简单平均的用户行为序列建模

• 系统记录 last-n，也就是最近交互过的 n 个物品
• 把 n 个物品ID做 embedding，然后对所有 embedding 取平均得到一个向量作为对用户行为的表征
• 取平均是最简单的，但是效果不是最好的

DIN模型

• DIN 用加权平均代替平均，即注意力机制
• 权重：候选物品与用户 LastN 物品的相似度，那个物品与候选物品更相似，它的权重就越高
• 红色的向量是用户交互过的 LastN 物品的向量表征，蓝色向量 q 是候选物品的向量表征
• 候选物品的含义：比如粗排选出了 500 个物品，它们就是精排的候选物品，精排模型要给每个候选物品打分，分数表示用户对候选物品的兴趣，最后根据分数高低对这 500 个候选物品做排序，保留分数最高的几十个展示给用户
• 需要注意区分 last-n 物品和候选物品

• 计算向量 $x_1$ 与候选物品向量 $q$ 的相似度记作 ${\alpha }_1$，它是个实数
• 计算相似度的方法有很多，比如内积，余弦相似度，也可以用更复杂的方法
  
• 同样的方法计算 $x_2$ 和 $q$ 的相似度，记作 ${\alpha }_2$，以此类推得到 n 个相似度，每个 $\alpha$ 对应一个 $x$ 向量
• 
• 把 $\alpha$ 和对应的向量相乘，然后把结果相加得到紫色的向量，紫色向量就是 last-n 向量的加权和，权重是相似度 $\alpha$

DIN模型总结

• 对于某候选物品，计算它与用户 last-n 物品的相似度
• 以相似度作为权重，求用户 last-n 物品向量的加权和，结果是一个向量
• 把得到的向量作为一种用户特征，输入排序模型，预估（用户，候选物品）的点击率，点赞率等指标
• 本质是注意力机制

DIN的本质是注意力机制

• 我们把红色向量 $x_1$ 到 $x_n$ 作为 key 和 value
• 右边蓝色向量作为 query
• 输入单头注意力层
  
• query 只有一个向量，所以注意力层的输出也是一个向量
  

简单平均 vs 注意力机制

• 简单平均和注意力机制都适用于精排模型
• 简单平均适用于双塔模型，三塔模型
  • 简单平均只需要用到 last-n，属于用户自身的特征，与候选物品无关
  • 把 last-n 向量的平均作为用户塔的输入
• 注意力机制不适用于双塔模型，三塔模型
  • 注意力机制需要用到 last-n + 候选物品
  • 用户塔看不到候选物品，不能把注意力机制用在用户塔。比如在召回的时候，一共有上亿个候选物品，用户只能看到用户特征而看不到候选物品特征，但是 DIN 需要知道候选物品的特征