sgr-interview-300

第 43 题：DSIN的Session分割策略，Session内兴趣提取的Self-Attention设计？

题目

DSIN的Session分割策略，Session内兴趣提取的Self-Attention设计？

---

完整讲解

一、Session 分割策略

DSIN (Deep Session Interest Network) 将用户行为序列按 Session 切分：同一 Session 内行为时间间隔短（如 30 分钟内），Session 间间隔长。这样每个 Session 对应一段相对集中的意图（如「看手机」「看耳机」），Session 级建模更符合「多兴趣片段」的假设。分割可用固定时间阈值或基于间隔的聚类。

二、Session 内兴趣提取：Self-Attention

在每个 Session 内，用 Self-Attention 聚合行为得到 Session 兴趣向量。设 Session $s$ 内行为嵌入为 ${e_1,\ldots,e_{L_s}}$，则 \(\alpha_{ij} = \frac{\exp(e_i^\top Q (e_j^\top K)^\top / \sqrt{d})}{\sum_{k=1}^{L_s} \exp(e_i^\top Q (e_k^\top K)^\top / \sqrt{d})},\quad \text{out}_i = \sum_j \alpha_{ij} e_j V.\) 或简化为对 Session 内做 scaled dot-product self-attention，再对输出做 pooling（如 mean）得到该 Session 的表示 $\boldsymbol{s}_k$。Self-Attention 能捕捉 Session 内 item 之间的共现与顺序，比简单 mean pooling 表达力更强。

三、Session 间兴趣与候选注意力

得到各 Session 表示 ${\boldsymbol{s}_1,\ldots,\boldsymbol{s}_K}$ 后，再对候选 item 做一层注意力，得到用户多兴趣的加权和（类似 DIN），作为最终用户表示。部分工作还会对 Session 间做 Bi-LSTM 等建模顺序。整体：Session 分割 → Session 内 Self-Attention → Session 间 + 候选注意力。

---

面试要点

• 能说明 DSIN 的 Session 分割动机：短间隔为 Session，对应局部意图；Session 级建模多兴趣片段。
• 能写出 Session 内 Self-Attention 的作用：在 Session 内做 Q/K/V 注意力或 scaled dot-product，再 pooling 得到 $\boldsymbol{s}_k$。
• 能简述整体流程：分割 → Session 内 Self-Attention → 各 Session 表示 → 对候选的注意力聚合。

---

记忆要点

• Session 分割：按时间间隔（如 30 分钟）切分，一段 Session 一个局部意图。
• Session 内：Self-Attention 聚合行为 → Session 表示 $\boldsymbol{s}_k$。
• Session 间：对候选 item 再做注意力，多 Session 兴趣加权融合。

返回模块

返回总览