論文連結：Deep Match to Rank Model for Personalized Click-Through Rate Prediction
程式碼連結
背景
目前推薦系統大多集中在研究怎麼建模使用者的個性化推薦，對user和item相關性的研究比較少，這篇論文結合match和rank階段的特徵提出了DMR網路，該網路主要包含Item-to-Item和User-to-Item兩個子網路，分別建模使用者的興趣以及user和item的相關性
模型結構
Item-to-Item
Item-to-Item就是一個DIN結構，加了位置資訊這個side info特徵
User-to-Item
1. 把使用者的行為序列用attention計算user embedding
2. 用item特徵計算item embedding
3. user embedding和item embedding計算內積輸入到DNN
直接用click等使用者行為來訓練，User-to-Item可能會訓練不充分，因此論文提出了一個輔助學習任務，就是用使用者前T-1個的行為序列去預估第T個行為序列，負樣本來自於隨機取樣