前言 在上一篇文章中 CTR之行为序列建模用户兴趣：DIN，开启了用户行为序列建模用户兴趣的篇章。DIN引入了Attention机制，对于不同的候选item，可以根据用户的历史行为序列，动态地学习用户的兴趣表征向量。但是，DIN没有考虑用户历史行为序列之间的相关性，也没考虑序列的先后顺序，难以捕获用户兴趣的变化。 概要 论文：Deep Interest Evolution Network

1. 前言 随着信息技术和互联网的发展， 我们已经步入了一个信息过载的时代，这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战： 信息消费者：如何从大量的信息中找到自己感兴趣的信息？信息生产者：如何让自己生产的信息脱颖而出， 受到广大用户的关注？ 为了解决这个矛盾， 推荐系统应时而生， 并飞速前进，在用户和信息之间架起了一道桥梁，一方面帮助用户发现对自己有价值的信息， 一方面让信息能

DIN来龙去脉： 背景知识：用户画像+用户行为+Item特征+上下文特征，这4者（也可是3者）作为输入信息，将原有的高维稀疏0/1特征做成embedding向量，每组特征由1个或多个向量pooling得到1个向量，最后所有组特征concatenate起来，作为神经网络的input； 一. DIN：（用户行为item和候选item的向量相似度做权重(attention)，把所有行为item加和起