DIN

用户的兴趣是很多样的，基于候选商品只与用户的一部分兴趣有关，使用attention机制，对用户的不同行为的注意力是不一样的。

数据集问题：

review包含reviewerId(评论人的id),asin(商品ID),unixReviewTime(评论时间)

meta包含asin(商品ID)，categories(类别，只包含最后一个类目)

meta_df中是按照asin排序，review_df是按照reviewid，unixreviewtime进行排序，cate_list是所有商品的categories构成的列表

Build_dataset:

每个正样例产生相同个数的负样例；

训练集为前i个item产生下一个item，添加一个正例添加一个负例

最后一个Item是目标

test_set中存储的是（reviewerId, history, (pos, neg)）

train_set中存储的是（reviewerId, history, pos）

model:

先使用用户访问过的所有的item的embedding加和组合成用户的embedding表示

损失函数时sigmoid_cross_entropy_with_logits

需要训练的参数包含

<tf.Variable 'user_emb_w:0' shape=(192403, 128) dtype=float32_ref>

<tf.Variable 'item_emb_w:0' shape=(63001, 64) dtype=float32_ref>

 <tf.Variable 'item_b:0' shape=(63001,) dtype=float32_ref>

<tf.Variable 'cate_emb_w:0' shape=(801, 64) dtype=float32_ref>,

<tf.Variable 'batch_normalization/beta:0' shape=(128,) dtype=float32_ref>

<tf.Variable 'batch_normalization/gamma:0' shape=(128,) dtype=float32_ref>

<tf.Variable 'dense/kernel:0' shape=(128, 128) dtype=float32_ref>

<tf.Variable 'dense/bias:0' shape=(128,) dtype=float32_ref>  #将用户访问过的item的embedding压缩到一起

 <tf.Variable 'b1/beta:0' shape=(256,) dtype=float32_ref>

<tf.Variable 'b1/gamma:0' shape=(256,) dtype=float32_ref>

<tf.Variable 'f1/kernel:0' shape=(256, 80) dtype=float32_ref>

<tf.Variable 'f1/bias:0' shape=(80,) dtype=float32_ref>

<tf.Variable 'f2/kernel:0' shape=(80, 40) dtype=float32_ref>

<tf.Variable 'f2/bias:0' shape=(40,) dtype=float32_ref>

<tf.Variable 'f3/kernel:0' shape=(40, 1) dtype=float32_ref>

<tf.Variable 'f3/bias:0' shape=(1,) dtype=float32_ref>