Wide&Deep 和 DIN 的区别是什么？

先这样答

核心区别在于 DIN 引入了目标注意力机制来处理用户历史行为。Wide&Deep 模型采用双路网络结构。Wide 部分主要负责记忆功能。模型通过这部分直接学习特征共现关系。Deep 部分主要负责泛化功能。模型利用深度神经网络处理特征组合。两路网络在输出端结合并进行联合训练。

DIN 在 Wide&Deep 的基础架构上做了进一步演进。它针对用户的历史行为序列增加了目标注意力机制。模型会计算当前候选商品与用户每一次历史行为的相关度。模型将计算出的相关度用作权重。模型按权重对用户的历史行为进行加权求和。这种机制能激活用户与当前推荐相关的特定兴趣。

淘天二面经常向带有推荐背景的候选人交叉提问这道题。淘天内部拥有大量推荐与 AI 结合的真实业务场景。面试官需要借此评估 Agent 岗候选人对底层推荐机制的掌握程度。理解这些基础推荐模型有助于候选人在 AI 场景下处理用户行为特征。

面试官会怎么追问

• 「Wide&Deep 的 Wide 和 Deep 部分为什么需要联合训练？」 单独的 Wide 模型泛化能力差。单独的 Deep 模型容易过度泛化推荐无关内容。联合训练让模型同时具备记忆特征共现和泛化新特征的能力。

• 「DIN 计算相关度加权时，具体是怎么激活兴趣的？」 模型提取候选商品的特征。模型将该特征与用户历史行为序列中的每一次行为进行对比计算。计算得出的相关度直接作为该次历史行为的权重。模型通过这种加权方式突出与当前推荐相关的特定兴趣。

• 「你面的是 Agent 岗，为什么我们要考察推荐模型？」 淘天拥有大量推荐与 AI 结合的业务场景。Agent 岗位的候选人需要处理推荐背景下的任务。面试官需要确认候选人具备处理用户行为和推荐场景的基础知识。

回答的坑

• 只讲 DIN 的注意力机制，漏掉 Wide&Deep 是其基础架构的事实。
• 偏离 Agent 岗位视角，陷入推荐系统底层工程实现的细节中。