DIN DIEN DSIN 简述

用户行为两大特性

多样性（Diversity）：一个用户今天买衣服，明天买零食，后天买电器，兴趣非常广泛。、

局部激活（Local Activation）：虽然用户兴趣广泛，但在预测下一件特定商品（比如羽绒服）时，只有最近或强相关的历史行为（比如买过羊毛大衣、围巾）对预测有帮助，而买过的杯子、吸尘器基本没用。

技术实现逻辑：

• 强规则：可以在模型外先做筛选（比如只取最近7天的数据，或只取同品类数据），但这样做会丢失信息。
• Attention机制：把筛选逻辑内置到模型中，让模型自动学习“哪些历史商品对当前预测更重要”，并赋予它们更高的权重。

三个模型的详细拆解与举例

Deep Interest Network (DIN)

并非所有历史行为都对当前预测有帮助。

引入 Attention 机制，根据当前候选商品（Target Item）与每个历史商品的相关性，动态计算权重。

举例子：
用户过去一年购买了：[大衣、水杯、鞋子、帽子、吸尘器]。现在要预测用户是否会点击一件 新款羽绒服。

Attention 计算过程：

• 计算羽绒服 Embedding 与大衣 Embedding 的相似度（强相关，给权重 0.9）。
• 与鞋子 Embedding 的相似度（中等相关，给权重 0.5）。
• 与吸尘器 Embedding 的相似度（基本无关，给权重 0.01）。
• 加权求和：最终的用户兴趣向量 =0.9*大衣 + 0.5*鞋子 + 0.01*吸尘器 + ...。

模型主要根据大衣和鞋子的特征来判断用户是否会买羽绒服，吸尘器几乎不影响判断。

DIN 解决了**“用哪部分历史”的问题，但不关心“兴趣随时间如何变化”。**

Deep Interest Evolution Network (DIEN)

用户的兴趣是会随着时间演变的。五年前的兴趣和现在完全不同。

引入 GRU（门控循环单元） 来建模兴趣的演化过程，并引入 AUGRU（注意力更新门控循环单元） 让演化路径与目标商品相关。

举例子：

• 5年前（学生时代）：关注性价比，买的是 [平价T恤、帆布鞋]。
• 3年前（初入职场）：开始注重品质，买的是 [优衣库基本款、小白鞋]。
• 现在(职场白领):关注质感和品牌，买的是 [轻奢风衣、真皮皮鞋]。

如果要用这些行为预测现在的你是否会买一件高端风衣：

DIN 的做法：把所有历史（包括5年前的平价T恤）一起加权。

DIEN 的做法：

• 用 GRU 按时间序列（从过去到现在）读取你的购买序列，形成一个连续的兴趣演化轨迹。
• 预测风衣时，模型发现“兴趣向量”已经演化到了“注重质感”的阶段，因此早期平价商品的影响力变得很小，近期高档商品的影响力变得很大。
• 模型不仅做了加权，还理解了你是如何一步步变成现在这样的。

DIEN 解决了“兴趣如何随时间演变”的问题，对长周期用户非常有效。

Deep Session Interest Network (DSIN)

用户的行为不是连续的单一序列，而是由多个 Session（会话/主题） 组成的。

一个 Session 内的行为是高度同质的（比如都是买衣服），不同 Session 之间则差异很大（比如上个Session买完衣服，下个Session买吃的）。

所以，先把用户行为按时间切分成多个 Session，然后用Transformer对每个 Session 内部进行建模，最后再用Bi-LSTM捕捉 Session 之间的演变关系。

举例子：

• Session 1（晚上 7点-8点）：[浏览连衣裙、浏览半身裙、购买高跟鞋]（买女装主题）。
• Session 2（晚上 9点-10点）：[搜索电饭煲、对比微波炉、购买烤箱]（买厨具主题）。
• Session 3（第二天早上）：[查看大衣、收藏羽绒服]（买外套主题）。

如果只看整体序列，模型很难区分“买裙子”和“买电饭煲”是两个截然不同的时期/意图。

DSIN 的做法：

• 分 Session：明确把序列切成三段，强制模型识别出三个不同的主题。
  -Transformer 内部建模：在“女装 Session”里，让连衣裙、半身裙、高跟鞋互相做 Attention，强化主题内部关系。
• 跨 Session 演化：用 Bi-LSTM 看三个 Session 之间如何推进。最终预测大衣时，模型主要参考 Session 3 的信息，并注意到用户兴趣已经从“裙子”升级到了“外套”。

总结

DIN帮你选对“哪几个历史商品”；

DIEN帮你理解“这几个商品是怎么发展到现在的”；

DSIN帮你分清“这几个商品是在哪段时期买的”。