SINE多兴趣召回

Sparse-Interest Network for Sequential Recommendation

论文地址：https://arxiv.org/pdf/2102.09267.pdf

这里有篇博客梳理的比较清楚：推荐系统论文阅读（五十二)-序列推荐中的稀疏兴趣网络

SINE结构如下：

SINE与其他多兴趣召回的区别

1. 多兴趣产生方式 MIND是通过Capsule产生多个用户兴趣，ComiRec-SA是通过Self-Attention的多头注意力机制实现多个用户兴趣，SINE产生的机制不太一样，通过构造一个大型的Concept池（用户意图池），然后根据用户行为序列在Concept池上进行聚合得到多个兴趣向量。
2. 多兴趣聚合方式 MIND是使用label-aware-attention的方式，根据训练时各个兴趣和label的相关程度进行加权求和，SINE这篇论文认为在infer阶段没有label因而会造成训练和预测不一致，因此SINE是先预估出用户最可能交互的下一个意图，然后计算兴趣向量和这个意图的相关性分数，用这个相关性分数和兴趣向量进行加权求和。总之，SINE认为训练及infer时预估用户下一个意图比找理想的label简单。

SINE的特别之处

SINE通过先构建一个大型的意图池（Concept pool），然后基于用户行为根据attention机制选出最相关的K个意图，选出意图后，再根据每个位置的序列和这K个意图的相关性聚合出K个用户兴趣向量。为了产出最后的用户向量，先预测用户下一个最可能的意图，然后根据预测意图计算各个兴趣向量的相关性，根据相关性分数进行加权求和，得到用户向量，参与到线上topK的召回。