1、DIN
1.1 动机：
（1）用户的兴趣是多样的，传统模型用固定长度的用户兴趣表征向量限制了模型的表达能力，很难准确刻画用户兴趣的多样性。
（2）对待预测item，用户不同的历史行为和当前要预测的item的相关性是不一样的，无差别的特征交叉加权的方式是不合理的。
1.2 解决方案：
设计基于注意力机制的局部激活单元：利用用户的历史行为数据，自适应地学习与当前item相关的用户兴趣表征向量，极大地提高模型（DIN）的表达能力，也更好地捕捉用户兴趣的多样性。
即：将传统的多值特征做pooling（sum_pooling/avg_pooling）的方式改成基于注意力的特征加权，权重由当前item和用户行为的相关性决定的。
1.3 其他贡献：
（1）mini-batch aware正则化。
（2）基于数据自适应的激活函数Dice代替PReLU。
（3）模型评估指标GAUC（用户加权AUC）代替AUC。
1.4 模型结构图：
DIN.jpg
参考文献：
