今天给大家介绍的是阿里在WSDM21上发表的一篇文章，题目为《Multi-Interactive A ention Network for Fine-grained Feature Learning in CTR Prediction》，通过多交互注意力网络，建模了用户维度，上下文维度，行为序列维度等细粒度特征与候选物品的相关性，一起来看下。
1、背景
利用用户历史行为序列来挖掘用户兴趣，在CTR预估中是一种比较常用的方法，如阿里提出的DIN和DIEN。但过往的方法主要将重点放在建模用户历史行为序列中物品与候选物品之间的关系，对于用户信息，上下文信息很少关注。可能存在以下三方面的问题：
1）大多数现有的方法主要从用户历史行为中挖掘用户的兴趣，但用户经常会有与过往行为不同的新的需求出现；
2）部分用户的历史行为大都发生在很久以前，而近期行为较少，仅仅依赖于历史行为建模容易推荐出与用户当前兴趣不符的“过时”的物品；
3）上下文因素同样重要，如在夏天相较于冬天，T恤更容易被进行推荐。因此上下文因素和候选物品的特征交互同样需要考虑。
上述所说的三点问题可以由下图表示：
但幸运的是，在大多数推荐系统中，有众多的用户特征和上下文特征可以挖掘，使用这些特征可以有效缓解上述的问题，特别是当用户历史行为较少的情况下。如上图中，如果候选物品是机械键盘，这与用户当前的职业“程序员”可能较为匹配，但从用户历史行为中可能难以发现这一点。
基于上述问题和讨论，论文提出了Multi-Interactive Attention Network (MIAN)，一起来看一下。