推荐模型DIN、DIEN、MIMN、SIM、SDIM均为处理序列特征的经典模型，适用于视频推荐、电商等场景，以下为具体实践要点：DIN（深度兴趣网络）模型理解：通过注意力机制学习用户兴趣，将用户序列embedding与预估item的embedding进行点乘、相减等操作，经三层MLP和softmax得到权重，最后加权求和（weighted sum pooling）。不受序列顺序影响，且引入dice函数、id正则化等优化点。实践要点：序列长度不足时需mask填充id，且填充id的embedding设为0且不可训练。相比DeepFM、sum/avg pooling，效果提升0.2%-0.3%；若将attention兴趣与target item交叉，效果更佳。视频场景可用观看时长归一化后作为权重，电商场景可用下单价格作为权重。曝光时间作为position embedding的效果不明显。DIEN（深度兴趣进化网络）模型理解：针对DIN未考虑时序关系的缺陷，用GRU捕捉兴趣演变，分为兴趣抽取层（GRU捕捉兴趣）和兴趣进化层（权重作为GRU门控）。引入辅助loss训练，提升收敛速度。实践要点：性能比DIN差3倍左右（两次GRU），serving和训练压力较大。辅助loss使前期收敛快，但最终离线效果仅提升0.2%；线上效果提升约1%，后期衰减至与DIN持平。MIMN（多通道用户兴趣记忆网络）模型理解：解决长序列建模的serving性能问题，通过用户兴趣向量服务（UIC）独立存储用户状态，每次访问更新兴趣向量并发送至数据存储。建模时采用NTM（神经图灵机）实现长期记忆，避免LSTM全部更新隐藏层的缺陷。实践要点：训练速度是DIN的十倍左右，但部署架构解耦训练与serving，不影响线上性能。Memory slot配置为4个，离线AUC比DIEN提升0.2%-0.4%，线上收益约1%。SIM（搜索兴趣模型）模型理解：长序列模型，从数千个序列中检索与预估item最相似的n个item，再进行attention/pooling。提供两种检索方式：Hard search：按类别（如一级、二级）存储序列，根据预估item类别检索。Soft search：计算预估item与序列中每个item的余弦相似度，取最相似n个。实践要点：视频推荐场景采用hard search，候选序列几千个（近六个月行为），通过类别索引检索长度50的序列，再用attention计算兴趣。离线效果：点赞GAUC提升0.3%，稀疏目标提升0.2%；线上预期收益约2%。序列检索模块对训练速度影响小，serving仅增加检索步骤。SDIM（长序列动态兴趣模型）模型理解：暂未详细实践，可参考相关解析（如《浅谈推荐算法之长序列模型SDIM》）。