DIN：Deep Interest Network¶
保真度：核心机制复现。本实现实际训练候选物品条件化的 local activation、加权兴趣池化、Dice 与 CTR 网络；未复刻 Alibaba 私有稀疏特征、mini-batch-aware regularization 和生产 serving。
论文信息¶
| 项目 | 内容 |
|---|---|
| 论文链接 | arXiv 1706.06978 |
| 公司/机构 | Alibaba |
| 首次公开日期 | 2017-06-21（arXiv v1） |
| 原文开源代码 | 是：官方/作者代码 |
| Adapter | din |
| 本地复现代码 | src/auto_research/reproductions/din/ |
原始论文总结¶
背景与主要改动¶
传统 CTR 模型把用户全部行为压成固定向量，但用户与候选物品相关的兴趣只占历史的一部分。DIN 不再生成一个与候选无关的用户向量，而是用候选物品逐条激活历史行为，再把局部兴趣送入点击网络；Dice 根据当前特征分布自适应调整激活边界。
flowchart LR
H["历史物品与 genre"] --> E["行为 embedding"]
C["候选物品与 genre"] --> Q["候选 embedding"]
E --> A["Local activation: q, k, q-k, q*k"]
Q --> A
A --> P["加权兴趣池化"]
P --> M["Interaction MLP + Dice"]
Q --> M
M --> Y["CTR logit"]原论文关键图¶
原论文 Figure 2（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。
核心公式¶
对候选向量 \(q\) 和第 \(i\) 个行为 \(e_i\)，local activation 学习权重：
Dice 用批次统计得到 \(p(s)=\sigma(\mathrm{BN}(s))\)，并计算 \(\mathrm{Dice}(s)=p(s)s+(1-p(s))\alpha s\)。本地候选点击使用正负样本 BCE 训练。
论文离线与线上效果¶
- 离线：论文在 MovieLens-20M 报告 DIN AUC 0.7337、DIN+Dice 0.7348；Amazon 为 0.8818、0.8871。
- 在线：Alibaba 2017-05 至 2017-06 的生产 A/B 中，CTR +10.0%，RPM +3.8%。
论文数值使用其数据、特征与协议，不能与下表直接横比。
本地复现¶
本地对照口径：基线是移除 candidate-aware attention、改用 mean pooling 的同参数模型；实验组是 DIN；主指标 NDCG@10 从 0.01783 降至 0.01659（-6.97%）。这是 DIN 核心注意力的内部消融，不是相对其他推荐模型的提升。
MovieLens-100K 自动下载到本地；932 个有效用户、1,682 个物品，按用户时间顺序 leave-two-out，并对完整物品库排名。DIN 与 mean-pool 对照使用相同 embedding、MLP、参数量和训练预算；种子 42/43/44，每个 320 step，Apple MPS。
| Model | Hit@10 | NDCG@10 | Head share@10 |
|---|---|---|---|
| Mean pool | 0.03720 ± 0.00220 | 0.01783 ± 0.00188 | 0.99871 |
| DIN | 0.03577 ± 0.00220 | 0.01659 ± 0.00152 | 0.99950 |
DIN 相对 mean pool 的 NDCG@10 为 -6.97%。训练 loss 正常下降，但两个模型几乎都退化到头部物品；这个小型、仅 genre 内容的公开替代数据没有验证论文收益。它说明核心机制能运行，不是否定论文在大规模多域稀疏特征上的结果。
审计指标见 metrics/movielens-100k-seeds42-44.json。