DIN 用户深度兴趣CTR 模型 归纳

在电商的场景下面，用户的兴趣是动态变化的，并且是多种兴趣并存的，而非只对某个类目的商品感兴趣。

在display ads的场景下更加的明显，与搜索不同，在display ads推荐的时候，用户更多的是没有明确的意图，需要结合模型来挖掘用户的需求。

 

分组对feature进行处理，然后汇总把embedding concat 在一起，如下图所示：

这个模型结构比youtube Net的文章，拥有更多的借鉴的点：

1)  模型提升：行为序列中的每个item 都是由若干个feature 构成的group。这样可以考虑更好的刻画序列中每个点击的商品的特征。

2）模型提升：DIN模型 为了保证留住 weight的强度，去掉了softmax的平滑。 

3)  训练数据：可以继续使用YoutubeNet的方法。针对每个用户只sample固定数目的训练数据，避免overactive用户的bias。

4）这篇文章的亮点就是加了activation unit 在 candidate ads 和 商品之间，给每个兴趣打分数，如果做recall模型的话，可以借鉴上述模型的 UserBehavior 部分，recall 模型无法考虑Candidate Ads，成本太大。

5)  虽然ecpm 是直接的目标，但是这样bidprice 高的商品很容易就会被展示出来，所以可以改良ranking 公式: ecpm = pctr ^ alpha * bid_price, 这样的话可以加强pctr 所占的比例。