一、这篇论文解决什么问题
召回问题：多兴趣召回
和之前的相关模型不一样的地方：主要是平衡推荐的准确性和多样性
二、作者提出的模型架构
三、这篇论文的几个核心点
1. 相同的框架下两种不同的多兴趣抽取方法
Dynamic Routing：ComiRec-DR，只用原始的动态路由方法
Self-Attentive：ComiRec-SA
H是用户行为的embedding
2. 聚合模块：如何计算得分
兼顾推荐的准确性和多样性
是0，就只在意准确性；
是无穷大的话，就只在意多样性了
3. 模型训练：也用了smapled softmax
四、关于模型本身的几点分析
1. 与经典方法的异同
MIMN
同：都是针对多兴趣的建模
异：MIMN抽取长序列中的兴趣比较困难
MIND
同：都是针对多兴趣的建模
异：这篇论文用的是原始的动态路由方法，而且兼顾了推荐的准确性和多样性
2. 模型对兴趣数K的敏感性
不同的K有不同的效果，不是K越大越好
五、模型效果的解释
学习到的每个兴趣不光可以对应某个商品类别，还能召回同类别类似的商品
六、对这篇论文的感受
相对于MIND，这篇论文最核心的点就是兼顾了推荐的准确性和多样性
PS：本文的所有公式和图表都来自于论文：Controllable Multi-Interest Framework for Recommendation，有理解不对的地方，欢迎指正
