.. _sec_sequence:

序列召回
========


前面介绍的双塔模型倾向于将用户所有的历史行为“压扁”成一个单一的静态向量。这种做法高效，但有两个明显的局限：一是无法表达用户兴趣的多样性——一个用户可能既需要购买专业书籍，又需要选购婴儿用品，单一向量很难同时兼顾这两种截然不同的需求；二是忽略了兴趣的时效性，无法区分长期稳定的爱好（对摄影的持续关注）和临时的即时需求（今天突然搜索“感冒药”），而后者往往更能预示下一次交互行为。

序列召回要解决的就是这个问题：利用用户行为的时间顺序来理解兴趣。用户先浏览了跑鞋，然后看运动服，接着看健身器材——这个顺序本身就在说明他当前对健身运动感兴趣。把这些行为简单加起来或平均，这层信息就丢了。

本章介绍两个代表性模型，分别从不同角度切入这个问题：

**MIND：用多个向量捕捉用户的多元兴趣**\ 。既然一个向量不够用，那就用多个。MIND借鉴胶囊网络的动态路由思想，把用户的历史行为按兴趣类型自动分组，为每一类兴趣生成一个专门的向量表示。

**SDM：融合长短期兴趣，捕捉动态变化**\ 。MIND解决了兴趣的“广度”问题，SDM进一步引入时间维度。它将用户兴趣显式拆分为短期即时需求（当前会话中的行为序列）和长期稳定偏好（历史行为的特征聚合），再通过门控机制动态融合两部分信息。

.. toctree::
   :maxdepth: 1

   1.mind.md
   2.sdm.md