2020-KDD 阿里 多兴趣 召回
序列推荐，近期工作大多从用户的行为序列中提取出一个统一的嵌入，它不能反映用户在一段时间内的多兴趣。本文提出ComiRec，核心有两个模块：
- 多兴趣提取：使用胶囊网络或自注意力从用户的行为序列中为用户提取出K个兴趣向量
- 兴趣聚合：从K个兴趣向量检索出的K×topN个物品中选出最终的K个物品，引入可控制的参数来平衡推荐的准确性和多样性
2 RELATED WORK
- CF：MF、FM
- 神经网络RS：NCF、NFM、DeepFM、xDeepFM、DMF、DCN、CMN （一些深度CF和CTR模型）
- 序列推荐：FPMC、HRM、GRU4Rec、DREAM、TransRec、RUM、SASRec、DIN、SDM（早期的马尔科夫、GRU、RNN、u转移向量/翻译距离、自注意力、his_item和target_item注意力动态user表示）
- 多样性：本文关注于对于每个独立的用户，推荐结果的多样性
- 注意力：
- 胶囊网络：MIND（从历史行为中提取多样化的兴趣）、CARP（评论、解释like dilike）
3 METHODOLOGY
3.1 问题定义
3.2 多兴趣框架
不同的多兴趣提取模块
- 使用动态路由：ComiRec-DR
- 使用自注意力：ComiRec-SA
3.3 聚合模块
3.4 和现有模型的关系
- MIMN，使用记忆网络从序列数据中捕获用户兴趣，而ComiRec使用更简单的多兴趣提取模块
- MIND，使用的是Behavior-to-Interest路由设计，本文使用原始的胶囊网络
4 EXPERIMENTS
