多兴趣网络与动态路由在天猫推荐中的应用

工业推荐系统通常由匹配阶段和排序阶段组成，以应对用户和项目数量达到数十亿规模的情况。匹配阶段检索与用户兴趣相关的候选项目，而排序阶段则根据用户兴趣对候选项目进行排序。因此，最关键的能力是在这两个阶段中建模和表示用户兴趣。现有的大多数基于深度学习的模型将一个用户表示为单一向量，这不足以捕捉用户兴趣的变化特性。本文从不同的视角出发，提出使用多个向量来表示一个用户的多种兴趣方面。我们提出了多兴趣网络与动态路由（MIND）方法，用于在匹配阶段处理用户的多样化兴趣。具体而言，我们设计了一个基于胶囊路由机制的多兴趣提取层，该层适用于聚类历史行为并提取多样化的兴趣。此外，我们开发了一种名为标签感知注意力的技术，以帮助学习具有多个向量的用户表示。通过在多个公开基准数据集和来自天猫的一个大规模工业数据集上进行广泛的实验，我们证明了MIND在推荐性能上优于现有最先进方法。目前，MIND已部署在移动天猫应用首页以处理主要的在线流量。