终于写到100篇了，算是一个小里程碑，但绝不是终点！后面还会有200、300....，希望大家能够一直关注本专栏以及公众号“小小挖掘机”，小编会继续加油的！

今天介绍的是阿里在CIKM20上发表的一篇文章，算是与DIN、DIEN一脉相承的一篇文章吧，论文提出了深度多兴趣网络来提升点击率预估的效果，文章标题为《Deep Multi-Interest Network for Click-through Rate Prediction》，论文下载地址为：https://dl.acm.org/doi/pdf/10.1145/3340531.3412092。

1、背景

阿里对于从用户历史行为序列中抽取用户兴趣的研究有很多，比如DIN，首次提出使用attention机制建模用户历史行为序列中item和目标item的相关性，来抽取对应的用户兴趣，但其忽略了行为之间发生的先后顺序；DIEN使用GRU单元，来建模用户兴趣的演进过程；DSIN将用户行为切分成不同的session，使用自注意力机制建模不同session中的多样兴趣。

用户在一个时间点的兴趣是多样的，本文进一步提出了深度多兴趣网络（Deep Multi-Interest Network 、以下简称DMIN）来提取用户多样化的兴趣。一起来看一下。

2、DMIN介绍

DMIN的整体架构如下：

可以看到，主要分为Embedding layer、Behavior Refiner Layer 和Multi-Interest Extractor Layer。接下来对这几部分分别进行介绍。

2.1 Embedding layer

网络输入的特征主要包括四部分，用户画像特征、用户历史行为特征，上下文特征和目标item特征。每一个特征可以表示成一个one-hot向量，并通过embedding层转换成对应的embedding向量。

转换后，用户画像特征、用户历史行为特征，上下文特征和目标item特征分别用x_u,x_b,x_c,x_t表示，其中x_b={e₁,e₂,...,e_T}。

2.2 Behavior Refiner Layer

接下来，通过multi-head attention对用户历史行为序列表示进行提炼（refine这里暂且翻译为提炼，个人感觉可以理解为对item对应的兴趣进行初步提取）。计算如下：

另外，受DIEN的启发，论文还在这里加入了辅助loss，使用t时刻得到的向量z_t，去预测t+1时刻用户的行为e_t+1，方式跟DIEN类似，也需要进行一定的负采样。

2.3 Multi-Interest Extractor Layer

接下来就是对用户多兴趣的抽取，首先是一层multi-head self-attention，假设head的数量是H_E，那么行为序列中每一个item在每一个head中，都有一个对应的向量，共有H_E个。

接下来，对于每一个head，都计算得到一个用户的兴趣表示，共计H_E，其中第h个兴趣计算如下：

其中，I_jh代表第h个head中，第j个item的向量表示，p_j代表第j个item的position encoding，x_t代表target item的向量表示，可以看到，计算过程与DIN类似，只是在DIN的基础上，对行为序列中的每一个item增加了对应的position encoding，将行为序列发生的时间因素考虑了进去。position encoding的计算，从前几篇阿里论文的经验来看，应该是行为发生时间距当前时间的时间差离散化后的结果。

2.4 MLP层及损失函数

接下来，将得到的H_E个兴趣向量表示、用户画像向量表示、上下文向量表示以及target item向量表示进行拼接，输入到多层全连接神经网络中，得到最终的输出，损失函数包含两部分，分别是logloss以及上文提到的辅助损失：

3、实验结果

最后简单看下实验结果，本文提出的DMIN模型，无论是在公开数据集还是阿里内部数据集上，都取得了不错的离线实验效果：

好了，本文就到这里了，感兴趣的小伙伴可以找到原文进行阅读哟～～