1. Motivation
在召回向量中,大多数文章是行文序列建立单一向量表示user的兴趣,这篇文章对用户的行为序列生产多个向量以表示用户的多个兴趣表征,引入了胶囊网络,将胶囊网络的动态路由算法引入到了用户的多兴趣建模上,从而大大的提高了用户的行为表征能力。
2. 做法 - 整体

解释:这里有两个函数 fuser 和 fitem,分别代表着用户的映射与物品的映射。在User的所有兴趣向量挨个与Item的向量进行内积,从所有的内积结果中挑出最大的得分作为最终的得分。
2. 做法 - 多兴趣表征
那么首先看一下如何生成多兴趣表征


3. Loss设计
在loss设计中,对于user的多兴趣向量整合。这里的p是超参数。当p趋于无穷大的时候,实际上就相当于只使用与目标商品向量点积最大的用户兴趣向量,可以理解是每次只激活一个兴趣向量。

网友评论