目的

      推荐系统中，现有深度学习模型大多是将用户的兴趣表示为一个向量，并不能很准确的反应用户的真实兴趣，如果将其应用到召回阶段，会影响召回的效果，因此考虑将用户的兴趣表示为多个向量，每个向量代表一个兴趣；

整体思路

      1. 为了表示用户的多个兴趣，提出了多兴趣抽取层，该层应用到了胶囊网络结构，通过动态路由聚合用户的历史行为序列，并结合用户属性特征，得到兴趣胶囊，每个胶囊表示一个用户兴趣；
       2. 得到用户多个兴趣后，使用attention机制得到用户的最终表示，在attention中，query是候选item，key、value是用户的多个兴趣表示；
      3. 计算用户表示向量和候选item向量之间的内积，取top N；

实现细节

符号定义：

      $I_u$：用户行为序列；
      $e_i$：用户行为序列中第$i$个item的embedding表示；
      $P_u$：用户属性信息；
      $V_u=f_{user}(I_u,P_u)=(v_u^1,...v_u^k)$，表示用户的多个兴趣向量， $k$表示兴趣的个数；
      $e_t$：候选item的embedding表示（文中也用$e_i$表示，感觉看的有点乱，本文中，我们使用$e_t$来表示）；

Embedding & Pooling Layer

      这块主要是为了强调对用户类别特征和item类别特征的处理方式:
      用户类别特征：如性别，职业等，将其对应的embedding向量concat起来；
      item类别特征：如品牌id，店铺id等，将其映射到相同维度的embedding向量，然后使用average pooling进行处理；

Multi-Interest Extractor Layer

1.动态路由：

      胶囊网络是一种基于向量的神经元，替代了之前的基于标量的神经元，旨在通过向量表示一个实体的不同特征（感觉有点像多头机制的概念），胶囊的方向表示一个特性，长度表示该特性的概率，对应的，在每个特性表示一个用户兴趣，长度表示该兴趣的重要度。假设有两层胶囊，动态路由的目的是给定低层胶囊网络 c i l ∈ R N l × 1 , i ∈ 1 , . . . , m c_i^l\in\mathbb R^{N_l\times 1}, i\in{1, ...,m} cil​∈RN