背景
CTR（Click-through rate）模型预估是现在广告系统中的核心，用来预测用户(user）对某一物品（item)的点击概率。在这类模型构建中，用户的历史行为序列（比如：根据时间顺序用户点击的电商产品，看过的所有电影，购卖的所有书籍等）对模型来讲非常重要，因为这些行为代表着用户的兴趣点（attention）,根据用户的历史行为序列，模型就可以学习到用户的兴趣（喜欢什么样的商品，电影，书籍等），提高模型的预估能力。
但以往的模型一般对用户的行为数据利用并没达到极致。一般表现在以下两点：
1. 用户的历史行为直接入模型，并不考虑具体行为后面的隐藏兴趣（点击过什么，就直接把对应的点击特征feed给模型）。
2. 用户的兴趣点是多样的，且会有变化。不同时间用户的点击序列表现的很飘移（比如：点击完衣服类的东西，又去看书籍了），很少模型能捕获到模型的兴趣趋势信息。
针对 以上这种情况，一个新的点击模型出现了：DIEN(Deep Interest Evolution Network for Click-Throgh Rate Prediction，地址：https://arxiv.org/pdf/1809.03672.pdf）
DIEND主要的改动点就是在通用的行为序列网络中新加了两层网络：
1. 兴趣抽取层（Interest Extractor Layer）: 主要用来从历史行为序列中捕获用户的短期兴趣点，同时新加辅助损失函数，用来监督学习每一步的兴趣点抽取。
2. 兴趣演进层(Interest Evolving Layer): 主要用来捕获用户的兴趣的演进过程。兴趣的演进主要是和点击的目标物品相关。兴趣点（当然是embeding之后的值）特征在这一层会根据点击目标的不同而进行权重的修正（根据不同的目标，对有用的行为进行加强，反之减弱）
在公开数据及工业数据中，DIEN都表现出最牛的成果。尤其在淘宝的展现广告系统中），CTR提升了20.7%.
介绍
CPC（cost per click）结算，是广告商按每次点击来支付费用的，因此CTR预估在广告系统中显得尤为重要。因为它不仅影响平台的总收入，而且影响用户对平台的满意程度。对用户兴趣进行建模已经在工业界及学术界引起高度的重视。
在所有无搜索的商业场景中，用户不再显示的表达当前的兴趣，因此设计模型来捕获用户的兴趣点及动态是CTR模型提高预估能力的关键。最近许多CTR模型由传统的方法向深度CTR模型转移。但许多深度模型把重点放在捕获各领域兴趣点的交互上，并没有关注用户兴趣点的表达上。其中DIN（Deep Interest Network) 强调用户兴趣是多样的，设置模型根据不同的目标来捕获用户的对应的兴趣并进行特征表达。然而包括DIN在内的所有模型在利用用户行为序列特征时，都是直接把“用户行为”直接做为“兴趣”特征进入模型。 这样有个问题，“隐含的兴趣”却很难被“显示的行为”更全面的表达出来。之前的模型忽略了行为之后隐藏的用户兴趣点。并且，用户的兴趣一直在变动，捕获这些兴趣的动态对兴趣表达上是相当重要的。
针对以上的情况，我们提出DIEN模型来提高CTR模型的预估能力。在DIEN的网络中有两个建模关键点。
其一：从显示的行为中抽取用户隐含的短期兴趣（兴趣抽取层）
其二：对用户兴趣演进的过程进行建模（兴趣演进层）
合理恰当的兴趣表达是兴趣演进的基础，因此想要网络精确的捕获用户兴趣演进的过程，就需要对兴趣抽取层进行优化。DIEN采用GRU 来为用户行为进行建模，因为这些行为存在依赖关系，GRU能更好的捕获这些信息。此外，在抽取层引入辅助损失函数（auxiliary loss）用下一个行为来监督学习当前行为的隐含兴趣的状态（因为下一个行为就是当前行为的预估的正例）。因为有了监督，让模型更精确的捕获每次行为对兴趣状态的影响，并且促使GRU在提炼兴趣表达上更高效。
此外，用户的兴趣是多样性的，仅从用户的行为序列看，会有一个明显的飘移行为。比如一个用户在点击了多个衣服后，又点击了一些书籍信息。因为用户的兴趣往往不是单一的。如果仅通过点击的衣服行为，很难把书籍的点击率预估的很高。因此一个具体的点击行为不仅和最近的点击有关，还和一段时间以前的某些点击有关。同时也说明针对不同的目标（item）用户的点击行为发挥的作用（weight）是不同的。基于兴趣抽取层之上得到的兴趣序列，DIEN中设置了AUGRU(Attentional Update GRU)。AUGRU输入兴趣状态（抽取层得到）与目标ITEM(下一个点击目标）来计算二者的相关性，从而在兴趣进行飘移时，强化相关兴趣，弱化无关兴趣，刻画兴趣的真实演进。DIEN为了达到这个目标，主要的贡献如下：
1. 在商务系统中，聚集用户的兴趣演进现象，提出一个新的网络结构来为兴趣演进过程进行建模。这个模型具体更强的兴趣表达能力，更准确的CTR预估。
2. 与直接把行为序列做为兴趣输入模型不同，我们设计了兴趣抽取层。针对GRU的兴趣状态在在表达用户兴趣时缺少指导目标（没有loss，没办法监督学习来优化），我们提出辅助损失的方法。此辅助损失利用连续的行为在每一步去监督学习隐含兴趣状态，从而让隐含兴趣状态更好的表达隐含兴趣。
3. 设计兴趣演进层，GRU（原文是GPU写错了）升级为AUGRU （AU代表attention update）加强了兴趣与目标之前的相关性，克服了由兴趣漂移带来的预估不准的问题。
在利用“公开数据”（亚马逊数据）及“工业数据”（淘宝数据）实验中，DINE都表现出色，在各种维度评估下都取得了显著进步。
( 待续。。。）