本文提出了一种新型的模型：深度兴趣网络 （DIN），它设计了一个本地激活单元来自适应地学习用户兴趣的表示，从历史行为的角度与某个广告相关。与固定长度向量相比，这种表示向量具有更强的表达能力。在两个公共数据集以及一个阿里巴巴实际生产数据集的实验表明，该方法展现出优越的性能，未来可用于在阿里巴巴的在线展示广告系统中为主要的流量服务。

Jun, 2017

本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐，利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点，为大规模商品库检索候选商品，进而通过整合模块平衡推荐的准确性和多样性，实现了与现有模型相比显著的性能提升，已成功部署在阿里巴巴分布式云平台。

May, 2020

在信息过载的时代，推荐系统的价值在学术界和工业界都被广泛认可。尤其是多兴趣顺序推荐，是一个近年来受到越来越多关注的子领域。通过生成多个用户表示，多兴趣学习模型在理论和实证上都展示了比单个用户表示模型更出色的表现。尽管该领域有了重大进展，但仍然存在三个主要问题困扰着多兴趣学习方法的性能和可采用性，即训练和部署目标之间的差异，无法访问项目信息以及由于其单塔架构所导致的工业应用难度。我们通过提出一种具有用户表示排斥的新型多塔多兴趣框架来解决这些挑战。多个大规模工业数据集上的实验结果证明了我们提出的框架的有效性和泛化能力。

Mar, 2024

本文提出一种名为多兴趣偏好模型的方法，可以更有效地利用用户的顺序交互产生多个用户嵌入并自动学习一组权重来表示用户对每个嵌入的偏好，从而可以按比例从每个兴趣中检索候选项。

Jul, 2022

本文提出了一种基于会话的新闻推荐系统，使用多感兴趣主题模型来为用户推荐下一条新闻。通过自注意力模型，将每条新闻转化为信息嵌入，并采用并行的兴趣网络，提取嵌入在新闻序列中的多个潜在兴趣，最终实验结果证明该模型比其他现有模型表现更好。

Jul, 2022

该研究提出了一种名为 DESMIL 的新型多兴趣网络，通过使用注意模块提取多个兴趣，并基于 Hilbert-Schmidt 独立性标准（HSIC）估计加权相关性损失，从而最小化提取的兴趣之间的相关性，解决了现有多兴趣推荐模型没有考虑兴趣分布更改可能导致的泛化问题。

Apr, 2023

本研究借助 Hilbert-Schmidt 独立性准则提出了一种名为 Deep Stable Multi-Interest Learning (DESMIL) 的新型多兴趣网络，旨在通过为训练样本学习权重以消除捕获兴趣之间微妙依赖的影响，更多地关注底层真正的因果关系，并在公共推荐数据集，大规模工业数据集和模拟分布外数据的合成数据集上进行了大量实验，结果表明我们提出的 DESMIL 模型显著优于现有技术。

Jul, 2022

使用 Deep Page-level Interest Network (DPIN) 能够很好地建模用户的页级反馈和增加美团外卖平台的收入。

Apr, 2022

我们提出了一种名为 “Trinity” 的新型和统一的框架，在检索阶段解决了兴趣遗忘问题和改进了多兴趣建模任务。在 Douyin 的推荐系统中部署后，显著改善了用户体验和留存，我们相信这种实际经验可以推广到其他场景。

Feb, 2024

个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法，通过在在线社交平台上用户的群组参与行为中获取兴趣信息，有效地缓解数据稀疏和冷启动问题，从而增强推荐系统的性能。

Nov, 2023