目录
序列召回（一）
序列召回（二）
序列召回（三）
序列召回（四）
序列召回（一）
源自论文：http://arxiv.org/abs/1511.06939
基于GRU的序列召回中通过GRU得到用户的embedding，与所有item的embedding做内积。两个向量内积就是用户-item的相似度。
一个用户和所有item的内积，相当于获得了所有item的得分。
序列召回（二）
召回：输入一个用户的（点击）序列，通过某种方法（序列建模的方法），把用户输入的序列变为向量，用用户向量，在所有的item的向量进行快速检索，依次达到序列召回的效果。
核心：对一个序列进行建模。（怎么把用户的行为序列变为一个用户的向量）
论文链接：https://arxiv.org/abs/1811.00855
用GNN对序列进行建模。
记录了节点的出边信息和入边信息。
把和第i个节点相连的item的embedding加权求和的效果。（消息聚合）
全连接层的操作。
n：序列里面item的个数
d:序列embedding的维度
matmul 矩阵乘法
表示第t层GNN向量特征提取的中间变量。
把算出的结果进行综合，第t层GNN新得到的特征。
通过z 来控制保留多少前一层的信息和多少这一层更新出来的信息。
由此，到这里已经完成从vt-1到vt的一次GNN操作。每一个item的embdding里面有更多的图结构的信息。
输入的行为序列是一个用户的。（每一个session）
序列召回（三）
多兴趣召回：把用户的行为序列，从行为序列里面提取出多个这个用户的行为表征。
MIND
论文链接：https://arxiv.org/pdf/1904.08030
飞桨AI Studio - 人工智能学习与实训社区 (baidu.com)
输入：序列的embdedding
输出：用户的多兴趣表征
从用户行为序列第i个embedding ei到第j个兴趣向量 uj之间的权重。按照高斯分布进行初始化。
动态路由 需要循环k次，本论文里k=3。
1.先给bij做一个softmax。意味着每一个兴趣向量都是可以由原始输入序列进行加权求和得到，并且权重做了归一化。对i这个维度做的softmax。
2.
用户的embedding向量通过S矩阵进行映射到一个新空间。S矩阵 d×d的维度。
得到每一个兴趣向量的前身Zj
3.对Zj做个激活函数就可。获得真正的输出Uj
对向量进行单位向量（单位化）
4.胶囊网络不做梯度更新。bij用公式进行更新，不用反向传递。
循环三遍后，输出最终的兴趣向量。
怎么根据用户的多兴趣表征来进行loss训练
Vu^T :用户的多兴趣表征，4个兴趣向量。维度为4×32（4×64）
：让item的embedding和用户所有兴趣向量都做一个内积。是四维向量。
每一个维度表示：用户的每一个兴趣向量和item的embedding的内积。（内积可以代表两个向量的相似度）
做完内积做指数的操作。对内积的结果做一个p次幂。
如何通过用户的多兴趣向量完成一次序列召回
每个兴趣向量分别召回五十个商品。对200个相似度进行排序，之后取相似度的前五十。
序列召回（四）
Comirec：Controllable Multi-Interest Framework for Recommendation
论文链接：https://arxiv.org/abs/2005.09347
Comirec-DR
Comirec-SA
输入：用户序列
输出：用户多个兴趣表征
归一化之后的attention score
：对序列里面所有item的embedding做了一个映射，映射到新的向量空间，维度从d变为da,da是四倍的d。da×n 。n是序列的长度。
要用tanh，因为值域是-1~1,换其他的激活函数效果可能不太好。
结果n的向量。就是注意力的分数，就是对序列每一个item进行打分。
多样性控制
f(u,i) 推荐出的所有item的embedding和user的embedding做内积，得到用户对所有item的得分的求和。（推荐准确性的指标）
