论文：
论文题目：《Deep Multi-Interest Network for Click-through Rate Prediction》
论文地址：https://dl.acm.org/doi/pdf/10.1145/3340531.3412092
今天来看一篇阿里发在CIKM的short paper，主要聚集在多兴趣跟兴趣演化这两个方向。
一 、背景
不管在电商领域还是短视频领域，用户的兴趣通常是多样的，潜藏在一个隐空间中，同时，用户在一个时间段內的兴趣是会演化的，用户的兴趣演化潜藏在序列item的变化过程中，所以为了建模这种多兴趣跟演化性，阿里提出来DMIN模型。
DMIN模型跟DIN和DIEN的模型如出一辙，特征部分可以说是跟另外两个模型一样，如果你之前对于din和dien比较熟悉的话，那接下来看这篇论文就很容易通透了。
二、DMIN模型
2.1 Embedding Layer
模型的输入分为四个部分，,分别表示用户特征，用户行为序列特征，target item特征，和上下文特征，每个特征都会离散化然后经过embedding层映射为一个向量，其中
2.2 Behavior Refiner Layer
熟悉DIEN的同学都知道，DIEN中的GRU有两层，这里Behavior Refiner Layer的作用跟DIEN第一层GRU层的作用差不多，就是把GRU换成了self-attenton，dien中的辅助loss还是一样拿过来用了，直接看具体的公式吧：
辅助loss还是一样的，预测下一个item，负样本通过随机采样：
2.3 Multi-Interest Extractor Layer
dien中的第二层扮演建模用户兴趣演化方向的作用，而在DMIN中，为了同时建模用户的在序列中的多兴趣和演化性，还是使用了multi-head-selft-attention机制，具体而言请看公式：
interest-h的计算跟din中attention计算score一样，主要是为了计算第h个兴趣的表示，我们知道一共有e个head，在每个head中都有T个向量，我们interest的计算是在每个head中进行的，对于上面公式的符号，我们还是来讲一下：表示第h个head中的第j个item的向量，xt是target item的向量，pj是position embedding，a的计算跟图中描述一样，具体就不展开了。
跟din计算不同的地方在于引入了PE，应该是为了考虑时间因素，让最近时间的行为重要性更大。
最后我们得到：
2.4 MLP & Loss Function
这一层就更没啥好说的了，把所有的向量concat起来->MLP->sigmoid就完事了：
三、实验结果
