تتألف أنظمة التوصية الصناعية عادةً من مرحلة المطابقة ومرحلة الترتيب، وذلك للتعامل مع مليارات المستخدمين والعناصر. تقوم مرحلة المطابقة باسترجاع العناصر المرشحة ذات الصلة بمصالح المستخدم، بينما تقوم مرحلة الترتيب بفرز العناصر المرشحة حسب مصالح المستخدم. وبالتالي، فإن القدرة الأكثر أهمية هي نمذجة وتوضيح مصالح المستخدم لكل من المرحلتين. تُمثل معظم النماذج القائمة على التعلم العميق مستخدمًا واحدًا كمتجه واحد، وهو ما يكون غير كافٍ لتقاطع الطبيعة المتغيرة لمصالح المستخدم. في هذا البحث، نتناول هذه المشكلة من وجهة نظر مختلفة، وهي تمثيل مستخدم واحد بعدة متجهات ترميز جوانب مختلفة من مصالح المستخدم. نقترح شبكة متعددة المصالح مع توجيه ديناميكي (MIND) للتعامل مع مصالح المستخدم المختلفة في مرحلة المطابقة. بشكل خاص، صممنا طبقة استخراج متعدد للمصالح تعتمد على آلية التوجيه الكبسولي (capsule routing)، والتي تناسب تجميع السلوكيات التاريخية واستخراج المصالح المختلفة. بالإضافة إلى ذلك، طورنا تقنية باسم الانتباه الواعي بالعلامات (label-aware attention) لمساعدة تعلم تمثيل المستخدم باستخدام عدة متجهات. من خلال التجارب الشاملة على عدة مقاييس عامة ومجموعة بيانات صناعية كبيرة من تmall، أظهرنا أن MIND يمكنها تحقيق أداء أفضل من الأساليب الرائدة في مجال التوصيات. حاليًا، تم نشر MIND للتعامل مع الحركة الإلكترونية الرئيسية على الصفحة الرئيسية لتطبيق Tmall المحمول.