论文链接：Deep Match to Rank Model for Personalized Click-Through Rate Prediction
背景
目前推荐系统大多集中在研究怎么建模用户的个性化推荐，对user和item相关性的研究比较少，这篇论文结合match和rank阶段的特征提出了DMR网络，该网络主要包含Item-to-Item和User-to-Item两个子网络，分别建模用户的兴趣以及user和item的相关性
模型结构
Item-to-Item
Item-to-Item就是一个DIN结构，加了位置信息这个side info特征
User-to-Item
1. 把用户的行为序列用attention计算user embedding
2. 用item特征计算item embedding
3. user embedding和item embedding计算内积输入到DNN
直接用click等用户行为来训练，User-to-Item可能会训练不充分，因此论文提出了一个辅助学习任务，就是用用户前T-1个的行为序列去预估第T个行为序列，负样本来自于随机采样
标签：Item,论文,item,DMR,阿里,user,embedding From： https://www.cnblogs.com/xumaomao/p/18166610