获课：xingkeit.top/5922/

DIEN：深度兴趣演化网络，如何抓住用户兴趣的时间脉搏

在电商推荐的战场上，用户的兴趣从来不是一张静态照片，而是一部不断翻页的电影。上周还在疯狂浏览运动鞋，这周可能已经沉浸在咖啡机的测评里——这种"兴趣漂移"现象，恰恰是传统模型最大的盲区。阿里妈妈2019年发表于AAAI的DIEN（Deep Interest Evolution Network），正是为解决这个问题而生。

从DIN到DIEN：不只是多了一个Evolution

DIN用注意力机制解决了"哪些历史行为与当前广告相关"的问题，但它把用户行为直接等同于兴趣，且忽略了行为之间的时序依赖。DIEN的核心突破在于：用户的行为是兴趣的结果，而非兴趣本身。你点击一双鞋，背后是对运动的热爱；而这份热爱，可能正在随季节悄然消退。

兴趣抽取层：用GRU挖出行为背后的"潜台词"

DIEN的第一层创新是引入GRU对行为序列建模。相比LSTM，GRU参数更少、收敛更快，更适合电商海量数据。但问题随之而来：GRU的隐状态经过多步迭代后，很难学到有意义的兴趣表征，尤其在长序列中梯度传播乏力。

DIEN的解法极为巧妙——引入辅助损失（Auxiliary Loss）。用下一时刻的真实点击行为作为正样本，从非点击项中随机采样作为负样本，让每个时刻的隐状态都能直接接受监督。这相当于给序列中的每一步都装上了导航灯，既缓解了长序列梯度消失问题，又让Embedding层学到更丰富的语义信息。

兴趣演化层：AUGRU让注意力住进GRU的"大脑"

兴趣抽取层解决了"兴趣是什么"，演化层则回答"兴趣怎么变"。用户兴趣存在两个关键特性：一是兴趣漂移，同一段时间内兴趣高度集中；二是兴趣独立，买书和买衣服的演化轨迹互不干扰。

DIEN设计了AUGRU（Attention Update Gate GRU），将注意力得分融入GRU的更新门中。与候选广告越相关的历史兴趣，其注意力权重越大，更新门开得越宽，信息在序列中传递越顺畅；不相关的兴趣则被抑制。论文对比了三种融合方式：AIGRU把注意力作用于输入，但即使输入为零仍会影响隐状态；AGRU直接用注意力替代更新门，丢失了维度差异信息；AUGRU让注意力缩放原有更新门，兼顾灵活性与表达力，效果最优。

实战成效：点击率提升超20%

DIEN已部署于淘宝展示广告系统，离线实验中CTR预估AUC显著优于DIN、GRU等基线模型，线上A/B测试点击率提升约20.7%。在淘宝"猜你喜欢"和飞猪旅行推荐等场景中，DIEN的兴趣演化建模能力让推荐更加"懂你"——不仅知道你喜欢什么，更知道你的喜欢正在走向哪里。

DIEN的本质，是用序列建模的深度替用户说出了那句他自己都没意识到的话：我已经变了。