# 注意力机制与 DIN

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第3章 深度学习在推荐系统中的应用
- 页码线索：83-88
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：attention, din, user-interest

## 面试问题

DIN 为什么要把注意力机制引入推荐系统？

## 30 秒回答

DIN 认为用户兴趣不是一个固定向量，而应针对当前候选物品激活相关历史行为。注意力机制让模型根据候选 item 动态选择最相关的用户兴趣。

## 展开要点

- 传统用户向量可能把多种兴趣混在一起。
- DIN 针对候选广告/物品对历史行为做 attention。
- 模型能表达“用户对不同候选物品的兴趣不同”。
- 注意力也提供一定解释性：哪些历史行为影响当前推荐。

## 高频追问

- DIN 的改进动机是什么？
- 注意力权重能否直接当解释？
- DIN 和普通 embedding pooling 有什么区别？

## 项目映射

- 用户既看技术书又看产品书，推荐 AI PM 卡时激活相关历史。
- 电商中根据候选品类激活用户对应兴趣。

## AI PM 迁移

AI PM 可把 DIN 类比为上下文相关记忆：模型应根据当前任务选择相关历史，而不是塞入全部记忆。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。