推荐系统 - DIN模型

1. 简介

Deep Interest Network（DIN）模型由阿里巴巴2018年发表在KDD 2018会议上。本文的主要动机是，将NLP中机器翻译的Attention机制引入CTR预估模型中，即在计算用户兴趣向量的时候，根据候选广告的不同从而动态的改变用户兴趣向量的值：计算候选广告与用户历史交互的个商品计算Attention权重，然后将个商品向量加权平均得到用户兴趣向量。 本文的改进基于以下思考：
（1）兴趣多样性： 用户的兴趣是多样化的，比如对于一个电商系统，用户可能同时对很多东西感兴趣；
（2）局部聚焦性： 在预测用户是否点击某个广告/商品的时候，是根据用户历史与某类商品进行了交互；比如，一个用户是否会点击泳衣，是因为用户历史购买过泳镜，而不是因为她购买过外套。

2. DIN模型结构

2.1 Base Model

• Base Model在得到每个商品对应的向量之后，通过sum/mean pooling得到用户兴趣向量；
• 注意：商品向量由三个向量拼接而成：1. goods_id对应向量；2. goods商铺对应向量；3. goods类别对应向量；

Base Model.png

• 阿里巴巴在线广告系统，使用的特征如下：使用的都是ID类的特征；

特征集合.png

2.2 DIN Model

• DIN模型在Base Model基础上进行改进，将sum/mean pooling改成了加权平均；动态的根据候选广告的不同，计算与每一个用户历史交互商品的Attention权重，最后通过加权平均的方式得到用户兴趣向量。 因此，通过这种方式得到的用户兴趣向量，是根据候选广告的不同动态变化的。

DIN Model.png

• 其中，Activation Unit用于计算Attention权重，其输入是广告embedding和历史交互商品embedding，和这两个向量的点积。最后将三者concate在一起，一起输入到DNN网络中，最后一层使用sigmoid激活函数得到Attention权重。中间隐层，使用PRelu/Dice激活函数。

3. 训练优化

3.1 Mini-batch Aware Regularization [小批量感知正则化]

• 本文提出的正则化方法，与常用的和正则不同；本文提出的正则方法，只对特征取值非零的特征进行正则化。对于特征其最终对应的更新公式如下：其中，表示第次mini batch，表示在此次mini batch中第个特征，是否存在一个样本取值不为0；表示特征在整个训练样本。

加入正则后参数更新公式.png

3.2 Data Adaptive Activation Function [数据自适应激活函数 - Dice]

• PRelu是常使用的激活函数，其对应的数学表达式如下。文中作者对PRelu激活函数做了改进，使得曲线中间变得更平滑，并且平滑力度也跟数据分布相关。和分别表示每一次mini batch的均值和方差，测试阶段通过moving average的方式计算这两个值。

PRelu激活函数.png Dice激活函数.png PRelu&Dice激活函数.png

4. 评价指标

• 论文中使用两个评价指标 GAUC和RelaImpr，计算公式如下。其中表示用户数量； RelaImpr指标为了测试实验模型，比较基模型的相对提升比例；
  GAUC计算公式.png

RelaImpr计算公式.png

参考资料：

• 【DIN论文】https://arxiv.org/pdf/1706.06978.pdf
• 开源代码：https://github.com/zhougr1993/DeepInterestNetwork 【tensorflow】
• 详解 Deep Interest Network: 为阿里创造更多广告收入 https://zhuanlan.zhihu.com/p/54085498