DSIN：会话兴趣网络推荐

CH-35-02-022·约 20 分钟·前沿技术·更新 2026-08-13

想象你是商场里的一位金牌导购。有位顾客几乎每周都来，但你渐渐发现：她并不是一整天都在买同一种东西——早上匆忙买一杯咖啡，中午帮家人挑生日礼物，晚上认真为新家挑选床垫。如果你把这一整天的行为全混在一起看，就完全搞不清她“此刻进店到底想买什么”。聪明的导购会下意识地把“同一次进店”单独拎出来看，先分清这次买咖啡、那次挑礼物，再观察她这几段购物行程之间兴趣的变化。DSIN（Deep Session Interest Network，深度会话兴趣网络）就是这样一个金牌导购：它先把用户行为序列按时间间隔切分成多个“会话”，在每个会话内用自注意力找出关键行为，再把这些会话串起来，读懂用户兴趣从“想买咖啡机”如何一步步演变成“想买床垫”。这套思路让推荐系统不再把用户几百次点击揉成一锅粥，而是像导购一样读懂了用户每一次独立的购物行程。

岗位关联

掌握 DSIN，意味着你学会用“会话”视角重新理解用户行为序列，这是推荐系统精准建模用户真实意图、大幅提升点击与转化效果的核心进阶能力。

可视化演示
用户行为序列
会话切分原理
自注意力提取
兴趣演化建模
模型对比分析
工程落地实践
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

用户行为序列

商场的金牌导购每天会见到很多顾客，每位顾客从进门到离开都会留下一条“动线”：先在哪个柜台停留，拿起哪件商品翻看，最后在收银台结账哪件商品。记录这些动线很有意思，但如果导购只看一堆零散记录，不区分时间，她根本不知道这位顾客这次进来到底是为早餐咖啡，还是为新家床垫。

推荐系统面对的正是同样的问题。用户行为序列，就是把用户在一段时间内的点击、浏览、加购、下单等行为按时间顺序排成一条长序列。序列里的每个行为都至少包含“看了哪个商品”和“什么时候看的”两个信息。这条序列可能长达几百条，里面混着用户不同时期的兴趣——昨天看球鞋，今天看母婴用品，明天又搜旅行箱。推荐系统的任务，就是从这条混杂的序列里，预测用户此刻最可能点击哪个商品。

如果直接把所有行为一视同仁地送入模型，就像导购把顾客一年来的购物记录按时间顺序摊开，却完全不去想“那次是为了什么”。这会让短期意图被长期噪声淹没，模型分不清用户当下最想要什么。

回到商场的场景：动线太多、记不住，导购想要更聪明地工作，第一步就是把“某次进店”从一整天的记录里分出来。这就是 DSIN 的会话切分。

S = \{ b_1, b_2, \ldots, b_N \}

公式含义：S 是一条按时间排列的用户行为序列，里面共有 N 次行为。这是 DSIN 的原始输入。

行为集合S 表示一整条用户行为序列，由 N 次行为构成，行为之间严格按照发生时间先后排序。
$S = \{ b_1, b_2, \ldots, b_N \}$
单个行为第 i 次行为 b_i 至少包含商品 ID 和行为时间戳两个关键信息，这是后续切分的基础。
$b_i = (\text{item}_i, \text{time}_i)$
行为总数N 表示这条序列的长度，用户活跃时 N 往往能达到数百，直接全部建模既慢又容易丢失重点。
$N = |S|$

会话切分原理

这位顾客一天之内可能进了三次商场：早上七点匆匆买一杯咖啡，中午十二点给家人挑生日礼物，晚上八点认真为新家选床垫。金牌导购不会把三次行程混成一次来理解，因为三次行程的意图完全不同。她会把每次进出商场的时段看作一个独立的“会话”，单独分析。

DSIN 的第一步就是做这件事：会话切分。所谓会话，就是用户在时间上连续、意图相对集中的一次行为集合。DSIN 的切分规则非常朴素——只要相邻两次行为的时间间隔超过一个阈值（比如 30 分钟），就认为上一个会话结束、新会话开始。这个阈值在工业界通常取 30 分钟：用户在 30 分钟内连续浏览，多半在同一个意图下；超过 30 分钟，大概率已经切换到其他任务或者放下了手机。

切分之后，原本一条长长的行为序列变成了 K 个较短的会话序列，每个会话只代表顾客某一段时间的真实兴趣。会话数量 K 是自动根据时间间隔决定的，而不是拍脑袋固定的。切分越合理，后续提取的兴趣就越纯净——就像导购把“买咖啡”和“挑床垫”分开分析，而不是把两者揉成一团。

导购分清了顾客的三次行程，但每次行程里顾客到底在为什么而停留，还需要进一步观察关键动作。下一步就是进入会话内部，用自注意力寻找重点。

S = \{ S_1, S_2, \ldots, S_K \}, \quad S_k = \{ b_1^{(k)}, b_2^{(k)}, \ldots, b_T^{(k)} \}

公式含义：原始行为序列 S 被切分为 K 个会话，第 k 个会话内包含 T 次按时间排序的行为。

会话总数K 表示切分后得到的会话个数，每个会话都对应用户一段连续的浏览时段。
$S = \{ S_1, S_2, \ldots, S_K \}$
会话内行为第 k 个会话 S_k 内部有 T 次行为，T 通常远小于原始序列总长度 N，兴趣更纯。
$S_k = \{ b_1^{(k)}, b_2^{(k)}, \ldots, b_T^{(k)} \}$
切分条件判断相邻两次行为是否属于同一会话，看两者时间差是否超过阈值 δ，超过就切开。
$t_{j+1}^{(k)} - t_j^{(k)} > \delta$

自注意力提取

导购把顾客的一次购物行程单独抽出后，会发现虽然顾客逛了十几个柜台，但真正引起她兴趣的只有两三个：她在运动鞋专柜反复试了四款，在袜子区扫了一眼就走，在收银台旁边的口香糖架前停了五秒。聪明导购会意识到，那次行程的重点是运动鞋。DSIN 在会话内部也做同样的事，工具就是自注意力。

自注意力机制让会话里的每个行为与其他所有行为两两打分，分数高说明两个行为关联强。于是，那些“孤立路过”的行为权重自然变低，“反复关注”的行为被彼此照亮。DSIN 使用多头自注意力，就是同时用好几组“打分规则”：一组关注商品品类是否一致，另一组关注价格区间是否相近，还有一组关注品牌偏好。多个头并行，能把不同角度的兴趣都捕捉到。

为了让模型知道行为的先后顺序，DSIN 还加入了偏差编码。自注意力本身不区分位置，把“先看球鞋再看袜子”颠倒成“先看袜子再看球鞋”结果一样，这显然不合理。偏差编码给每个行为补上一个位置信号，让模型知道“第 3 次点击”和“第 9 次点击”在会话中的意义不同。最后，把经过自注意力和偏差编码后的行为表征做平均池化，就得到了这个会话的兴趣向量。

导购看懂了顾客在“挑生日礼物”这次行程里重点看了手表和钢笔，可是顾客今天看完礼物，明天又会为什么而逛？兴趣不是静止的，它会在一次次行程之间流动。这就是跨会话的兴趣演化。

B_k = \text{MultiHead}(S_k, S_k, S_k) + \text{BiasEncoding}(S_k)

公式含义：第 k 个会话内，行为向量经过多头自注意力交互后，再加上偏差编码保留顺序信息，得到会话内增强表征。

同源自注意力Q、K、V 都来自同一个会话 S_k，让会话内行为两两交互、互相发现关联。
$\text{MultiHead}(S_k, S_k, S_k)$
偏差编码BiasEncoding 为每个行为补充位置信号，相当于在向量上加一个“第几次点击”的位置标记。
$\text{BiasEncoding}(S_k)$
增强表征把注意力输出与位置信号相加，B_k 是既含内容关系、又含顺序信息的会话内行为向量。
$B_k = \text{MultiHead}(S_k, S_k, S_k) + \text{BiasEncoding}(S_k)$

兴趣演化建模

顾客上周连续三天逛商场，分别看了露营帐篷、睡袋和便携燃气灶。单独看每一天，她只是买了三件户外用品；但连起来看，导购恍然大悟：她在为一次多日徒步做系统准备，兴趣从“先买个帐篷”演化为“把整套装备配齐”。如果不把几次会话串起来看，就丢失了这条重要的演化线索。

DSIN 的会话兴趣交互层解决的就是这个问题。前面已经从每个会话提取出一个兴趣向量，现在把这些兴趣向量按时间顺序排成一列：第一个会话的兴趣、第二个会话的兴趣……直到第 K 个。然后对这些兴趣向量再做一次自注意力。与“会话内自注意力”不同，这次交互发生在会话和会话之间，让每个会话的兴趣向量都能“看到”其他会话的信息——后来的会话知道前面会话发生过什么，从而判断兴趣是延续、增强还是转移了。

经过这次交互，每个会话的兴趣向量都携带了全局演化信息。比如第三个会话的兴趣向量里，既保留了自己对燃气灶的关注，又融合了前两个会话中帐篷和睡袋的信号。这样，最终的用户兴趣不是 K 个孤立点的简单相加，而是一条有起承转合的演化路径。

导购把顾客几次行程连成了一条故事线，明白了“露营需求”如何在几周内逐步成形。但推荐系统最终只关心一个目标：顾客此刻会对哪个商品感兴趣？这就要用目标商品去“激活”这些演化后的会话兴趣。

\hat{I} = \text{MultiHead}(I, I, I), \quad I = [I_1; I_2; \ldots; I_K]

公式含义：把 K 个会话兴趣向量按顺序拼接成序列 I，再做一次自注意力，每个输出向量都融合了跨会话的演化信息。

会话向量序列I 由 K 个会话向量拼接而成，顺序就是会话发生的先后顺序，代表用户兴趣的演化轨迹。
$I = [I_1; I_2; \ldots; I_K]$
跨会话自注意力Q=K=V=I，每个会话向量都会与其他会话向量交互，从而感知前后兴趣的变化。
$\text{MultiHead}(I, I, I)$
演化表征输出 Î 中每个向量都吸收了全局演化信息，作为后续加权融合的输入。
$\hat{I} = \text{MultiHead}(I, I, I)$

模型对比分析

推荐系统里，建模用户兴趣的模型走过三代。第一代导购（DIN）很勤快，把顾客所有历史行为都记得清清楚楚，等顾客一进门，就把与当前商品有关的历史行为挑出来重点参考，这叫做“局部激活”；第二代导购（DIEN）更进一步，不仅看行为，还看行为的变化过程，用循环网络记住兴趣从 A 演变到 B 的路径；第三代金牌导购（DSIN）则发现前两代都把顾客所有行为混在一起，没有区分“几次独立进店”，于是先切分会话、再提取兴趣、最后建模演化。

DSIN 并不推翻 DIN 的思想，而是把它从“行为粒度”升级到了“会话粒度”。DIN 的做法是：给定目标商品，对用户的所有历史行为计算注意力权重——与目标商品越相关的历史行为权重越高。DSIN 把同样思路用在会话上：给定目标商品，对 K 个演化后的会话兴趣向量计算权重——越能解释用户当前意图的会话，权重越高。这样既保留了对目标商品的“软搜索”，又避免了长序列中无关行为带来的噪声。

|------|---------|---------|---------|---------|

| DIN | 行为 | 目标商品激活每个行为 | 无 | 软搜索找出相关行为 |

那“激活”具体怎么算？把目标商品的向量与每个会话兴趣向量做相似度打分，分数越高，说明这个会话越能代表用户当前的需求，权重越大；再经过 softmax 归一化，所有权重之和为 1。

三个时代的导购各有绝活，但金牌导购的核心优势在于第一次把“会话”当作理解用户的基本单位。这个理念不但让模型更精细，也为工业落地铺平了道路。

\alpha_k = \frac{\exp(\beta \cdot V_{\text{target}} \cdot \hat{I}_k^\top)}{\sum_{j=1}^{K} \exp(\beta \cdot V_{\text{target}} \cdot \hat{I}_j^\top)}

公式含义：目标商品向量对第 k 个演化后会话兴趣向量打分，分数经 softmax 变成权重，代表该会话对当前决策的重要程度。

目标商品向量V_target 是候选商品（模型此刻要预测用户会不会点它）的嵌入向量。
$V_{\text{target}}$
相似度打分V_target 与 Î_k 做点积，点积越大说明该会话兴趣与当前目标商品越匹配。
$V_{\text{target}} \cdot \hat{I}_k^\top$
温度系数β 控制打分差异的放大程度，让权重分布更尖锐或更平滑。
$\beta \cdot V_{\text{target}} \cdot \hat{I}_k^\top$
归一化权重对所有会话的得分取指数并求和，把原始分数变成加起来等于 1 的注意力权重 α_k。
$\alpha_k = \frac{\exp(\cdot)}{\sum_j \exp(\cdot)}$

工程落地实践

把金牌导购的整套经验写成培训手册，复制到连锁商场的每一位导购手里，这就是 DSIN 工程落地的意义。在真实的推荐系统里，DSIN 被用来回答一个问题：用户此刻打开 App，最可能点击哪个商品？

工程上，DSIN 的输入是用户的原始行为序列，输出是一个点击率预测。落地时主要分三步走。第一步是嵌入层设计：把用户 ID、商品 ID、行为时间等离散特征映射为稠密向量，形成行为序列的嵌入表示。第二步是会话特征预计算：会话切分完全由时间间隔决定，这部分可以在离线阶段把每个用户的行为序列切成会话、算好会话内注意力结果，缓存下来供线上直接读取，大大降低线上时延。第三步是模型服务：线上拿到目标商品后，只计算跨会话交互与最终加权融合，轻量且快速。

从效果评估的角度看，会话切分相当于给模型提供了一项高质量的“先验特征”——用户行为天然具有会话聚落结构，电商的“加购车再下单”、短视频的“连续刷半小时”都是会话的体现。DSIN 在多个工业数据集上的 CTR 提升，主要就来自这种对真实行为结构的尊重。

从金牌导购的经验，到一套可复制的工程流程，DSIN 把“按会话读懂用户”从直觉变成了可训练的模型。下面看看它在真实业务中如何发挥作用。

\hat{y} = \sigma(\text{MLP}([U; V_{\text{target}}])), \quad U = \sum_{k=1}^{K} \alpha_k \cdot \hat{I}_k

公式含义：所有演化后的会话兴趣按权重 α_k 加权求和得到 U，再与目标商品向量拼接，经过多层感知机和 sigmoid 输出最终点击概率。

加权兴趣融合U 是演化后的会话兴趣向量按 α_k 的加权和，α_k 就是上一个公式算出的会话权重。
$U = \sum_{k=1}^{K} \alpha_k \cdot \hat{I}_k$
特征拼接把用户会话兴趣 U 和目标商品向量 V_target 拼成一个更长的向量，同时包含“用户想要什么”与“商品是什么”。
$[U; V_{\text{target}}]$
映射到概率MLP 学习两者交互特征，sigmoid 函数把输出压缩到 0 到 1 之间，即点击概率。
$\hat{y} = \sigma(\text{MLP}([U; V_{\text{target}}]))$

AI 应用场景

电商大促场景的会话级召回

阶段：召回与粗排阶段

解决的问题：大促期间用户行为序列极长，零食、家电、服饰交替浏览，传统 DIN 把所有行为视为平等序列，用户“此刻真正想买”的兴趣被无关行为稀释。DSIN 先把行为切成多个会话，再用目标商品对会话兴趣做加权激活，让召回更能命中当前意图。

具体案例：某综合电商“猜你喜欢”频道中，一位用户晚上分三段浏览：第一段看球鞋评测，第二段帮家人看血压计，第三段搜旅行箱。DSIN 识别出三个会话后，最近会话的旅行箱兴趣获得更高权重，系统优先召回旅行箱相关商品，CTR 相比 DIN 显著提升。

短视频信息流的会话感知推荐

阶段：排序阶段

解决的问题：用户在不同时段有完全不同的视频偏好：通勤时看新闻，午休看搞笑视频，睡前看治愈系内容。把整天行为混在一起会让模型产生目标偏差，DSIN 按时间间隔切分会话，让“此刻所在的会话”主导排序。

具体案例：某短视频 App 发现用户睡前会话的完播率远高于白天。引入 DSIN 后，模型识别出“睡前放松”会话的兴趣特征，在晚间 session 中提高治愈系、助眠类内容的排序权重，用户人均观看时长提升。

Python 演示

python76 行

import torchimport torch.nn as nn def split_sessions(behaviors, time_gap=1800):    """把 [(item_id, timestamp), ...] 行为序列切成多个会话"""    sessions = []    cur = [behaviors[0][0]]    for i in range(1, len(behaviors)):        item_id, ts = behaviors[i]        prev_ts = behaviors[i - 1][1]        if ts - prev_ts > time_gap:            sessions.append(cur)            cur = []        cur.append(item_id)    sessions.append(cur)    return sessions  class DSINModel(nn.Module):    """简化版 DSIN：会话切分 + 会话内自注意力 + 跨会话交互"""    def __init__(self, num_items, embed_dim=8, num_heads=2, max_session_len=10):        super().__init__()        self.dim = embed_dim        self.item_emb = nn.Embedding(num_items, embed_dim)        self.pos_emb = nn.Embedding(max_session_len, embed_dim)        self.attn = nn.MultiheadAttention(embed_dim, num_heads, batch_first=True)        self.fc = nn.Sequential(            nn.Linear(embed_dim * 2, 32),            nn.ReLU(),            nn.Linear(32, 1),        )     def forward(self, session_seqs, session_lens, target_item):        session_vecs = []        for k in range(session_seqs.size(1)):            lens = session_lens[:, k]            max_len = lens.max().item()            if max_len == 0:                session_vecs.append(torch.zeros(session_seqs.size(0), self.dim))                continue            sess = session_seqs[:, k, :max_len]            emb = self.item_emb(sess)            pos = self.pos_emb(torch.arange(max_len)).unsqueeze(0)            attended, _ = self.attn(emb + pos, emb + pos, emb)            session_vecs.append(attended.mean(dim=1))        session_vecs = torch.stack(session_vecs, dim=1)        session_vecs, _ = self.attn(session_vecs, session_vecs, session_vecs)        session_vecs = session_vecs.mean(dim=1)        target_emb = self.item_emb(target_item)        feature = torch.cat([session_vecs, target_emb], dim=-1)        return torch.sigmoid(self.fc(feature))  if __name__ == '__main__':    torch.manual_seed(42)    behaviors = [(3, 0), (5, 100), (8, 200), (2, 4000), (4, 4100), (7, 4200), (1, 9000)]    print("切分结果:", split_sessions(behaviors))     B, K, T, num_items = 4, 3, 5, 50    session_seqs = torch.randint(1, num_items, (B, K, T))    session_lens = torch.randint(1, T + 1, (B, K))    target = torch.randint(1, num_items, (B,))    labels = torch.rand(B, 1)     model = DSINModel(num_items)    loss_fn = nn.BCELoss()    opt = torch.optim.Adam(model.parameters(), lr=0.01)     for ep in range(20):        pred = model(session_seqs, session_lens, target)        loss = loss_fn(pred, labels)        opt.zero_grad()        loss.backward()        opt.step()        if ep % 10 == 0:            print('epoch', ep, 'loss', round(loss.item(), 4))

目的：用 PyTorch 实现一个可运行的简化 DSIN，先演示会话切分，再完成会话内自注意力提取、跨会话交互和点击率预测的完整前向流程。

def split_sessions(behaviors, time_gap=1800)把带时间戳的行为序列按 30 分钟间隔切成多个会话，模拟 DSIN 的会话切分层。
self.attn = nn.MultiheadAttention(...)定义多头自注意力模块，既用于会话内行为交互，也用于跨会话兴趣交互。
attended, _ = self.attn(emb + pos, emb + pos, emb)会话内自注意力：行为向量加位置编码后自身交互，得到增强表征。
attended.mean(dim=1)平均池化：把所有行为向量压缩成一个向量，代表当前会话的兴趣。
session_vecs, _ = self.attn(session_vecs, session_vecs, session_vecs)第二层自注意力：让 K 个会话向量互相感知，建模兴趣演化。
torch.cat([session_vecs, target_emb], dim=-1)把演化后的会话兴趣与目标商品拼接，交给 MLP 学习交叉特征。

常见误区

误区用户的行为不都是一条时间线吗？只要按时间排好，放进 DIN 用注意力激活就够了，为什么非要切分会话？感觉切分只是多此一举。

正解恰恰相反，切分是 DSIN 最核心的一步。一条横跨数小时甚至数天的行为序列里，兴趣主题会切换多次——早上看咖啡、中午看礼物、晚上看床垫。不切分时，目标商品“床垫”要跟“咖啡机”“生日礼物”竞争注意力，相关行为的权重被稀释。切分后，每个会话内兴趣单一，自注意力才能精准聚焦。就像导购必须先把“买咖啡”和“挑床垫”分成两次行程，才能准确判断顾客此刻的需求。

为何常见：因为早期的 DIN 模型确实直接把整个序列送入注意力层，很多人形成了“序列就是一条到底”的思维定式，忽略了现实行为天然分段的特性。

误区用户一天的行为就算一个会话吧？把凌晨到深夜的所有浏览当成一段，或者按日期分成“今天”“昨天”这样几段不就行了？

正解DSIN 的会话切分依据是相邻行为的时间间隔是否超过阈值，而不是日历时间。用户可能早上在一个会话里看新闻，中午间隔一小时后又开始看球鞋，这已经是两个会话；反过来，如果用户深夜连续使用到凌晨两点，跨天的时间段反而可能属于同一个会话。正确做法是：遍历行为序列，每当相邻行为间隔超过 δ（通常 30 分钟），就切开一个新会话。

为何常见：人天然习惯用“天”作为时间单位，但用户真实的行为节奏是由“连续使用时段”决定的，用固定时间窗口会切断或合并真实的兴趣段。

误区DSIN 用的是自注意力，而自注意力不像 GRU、LSTM 那样天然顺序建模，那它一定把“先看什么后看什么”的信息丢掉了。

正解DSIN 通过偏差编码补回了顺序信息。会话内，每个行为的向量会加上一个位置编码，让模型知道“第 3 次点击”和“第 9 次点击”的顺序关系；跨会话时，会话向量按时间顺序排列后再做自注意力，顺序结构同样被保留。自注意力不是没有顺序，而是把顺序“显式编码”进向量里，这甚至比循环网络更容易并行计算。

为何常见：很多人从 Transformer 的“位置编码”概念想当然地认为自注意力天然无序，忽略了 DSIN 已经通过偏差编码解决了这个问题。

误区DSIN 是更先进的模型，效果一定比 DIN、DIEN 更好，那 DIN 和 DIEN 是不是就过时了，不需要再学了？

正解DSIN 不是凭空推翻前两者，而是站在它们肩膀上。DIN 的“目标商品激活历史兴趣”思想被 DSIN 继承——只不过从激活单个行为变成了激活整个会话兴趣；DIEN 的“兴趣演化”目标也被 DSIN 继承——只不过从行为级 GRU 改成了跨会话自注意力。在长序列、多会话场景下 DSIN 优势明显，但在行为很短、会话数很少的场景，DIN 或 DIEN 可能更简洁高效。

为何常见：人们总喜欢用“新模型取代旧模型”的简单叙事，忽略了技术演进通常是继承与扩展而非颠覆。

面试题

Q1. DSIN 中将会话划分的核心依据是什么？

单选题 · easy

A.相邻行为间隔是否足够大← 正确答案
B.用户是否切换了登录设备
C.商品是否来自不同的店铺
D.用户是否打开过商品详情

答案：A。DSIN 的会话切分依据是相邻两次行为的时间间隔是否超过阈值（通常 30 分钟）。间隔大说明意图可能已切换；间隔小说明仍在同一意图下连续浏览。设备切换、店铺差异、详情页打开都不是会话边界的判据。

Q2. 推荐系统中“用户行为序列”通常指什么？

单选题 · easy

A.用户在多个 App 之间的切换记录
B.用户历史行为按时间排列的记录← 正确答案
C.商品在多个用户间的流转记录
D.模型在训练时的参数更新记录

答案：B。用户行为序列是同一用户在一段时间内的点击、浏览、加购等行为按发生时间顺序排列的序列。它描述的是“用户做了什么”，而非 App 切换、商品流转或模型参数，是 DSIN 等推荐模型最核心的原始输入。

Q3. 关于 DSIN 的会话切分与提取阶段，下列说法正确的有？

多选题 · mid

A.切分依赖行为时间间隔← 正确答案
B.会话内需自注意力提取← 正确答案
C.跨会话层建模兴趣演化← 正确答案
D.会话长度必须完全相同

答案：ABC。DSIN 用时间间隔切分会话（A 对），会话内用多头自注意力提取兴趣（B 对），会话间再用自注意力建模演化（C 对）。会话长度完全由用户行为决定，长短不一，不需要统一（D 错）。

Q4. 偏差编码在 DSIN 会话内起到什么作用？

单选题 · mid

A.编码用户 ID 的高维表示
B.编码目标商品的价格
C.提供会话内位置顺序信息← 正确答案
D.提供用户画像附加特征

答案：C。自注意力本身不分顺序，把“先看球鞋再看袜子”颠倒结果也一样。偏差编码给会话内每个行为补充位置信号，让模型知道“第几次点击”的先后关系，从而在提取会话兴趣时保留顺序语义。

Q5. 会话内多头自注意力中的 Q、K、V 来源于哪里？

单选题 · mid

A.都是当前会话的 Embedding← 正确答案
B.来自用户画像与商品向量
C.来自多个不同会话的拼接
D.来自上一层的隐藏状态

答案：A。DSIN 的会话内自注意力中，查询 Q、键 K、值 V 全部来自当前会话的行为嵌入，所以叫“自”注意力。它的目标是让同一个会话内部的行为两两交互，而非让不同会话混合。

Q6. 相比 DIN，DSIN 做了哪些重要改变？

多选题 · hard

A.用 GRU 替代了自注意力
B.先切分会话再提取兴趣← 正确答案
C.增加了大量人工特征
D.加入跨会话交互建模← 正确答案

答案：BD。DSIN 的两个核心改变是：一是先按时间间隔切分会话，再在会话内提取兴趣（B 对）；二是增加跨会话交互层，用自注意力建模会话间的演化关系（D 对）。DSIN 并不用 GRU 替代自注意力（A 错），也不依赖增加人工特征（C 错）。

Q7. 会话兴趣向量 I_k 通常是如何得到的？

单选题 · mid

A.取会话最后一个行为向量
B.取会话内所有向量的最大值
C.对注意力表征做平均池化← 正确答案
D.直接复用目标商品的嵌入

答案：C。DSIN 在会话内完成多头自注意力与偏差编码后，对所有行为向量做平均池化，得到这个会话的兴趣向量 I_k。平均池化能把会话内所有关键信号压缩进一个固定维度的向量，保留整体兴趣而非只取局部。

Q8. 关于 DIN、DIEN、DSIN 三者的继承关系，正确说法是？

单选题 · extreme

A.DSIN 继承 DIN 的激活思想并引入会话边界← 正确答案
B.DSIN 完全推翻了 DIN 和 DIEN 的建模思路
C.DIEN 的演化建模被 DSIN 完全舍弃了
D.DSIN 只是把 DIN 的层变深了

答案：A。DSIN 把 DIN 的“目标商品激活历史信息”思想从行为粒度升级为会话粒度，同时继承了 DIEN 对兴趣演化的重视，用跨会话自注意力实现演化建模。它没有推翻前两者，也没有舍弃演化，更不只是加深网络。

Q9. DSIN 中跨会话兴趣交互的目的是什么？

多选题 · hard

A.让不同会话向量相互感知← 正确答案
B.让所有行为都变成相同值
C.建模用户兴趣的演化趋势← 正确答案
D.压缩商品数量减少参数

答案：AC。跨会话兴趣交互把 K 个会话向量排列后做自注意力，每个会话向量都能与其他会话交互，从而感知前后兴趣的变化（A 对），最终目的是建模“兴趣从帐篷演化为整套露营装备”这类趋势（C 对）。它不会把行为变相同值，也不负责压缩商品参数。

Q10. “会话”最适合用生活里的哪个比喻理解？

单选题 · easy

A.商品在货架上的一类分类
B.用户账号里保存的会员卡
C.顾客一次完整的购物行程← 正确答案
D.商场里一次随机调查问卷

答案：C。会话就像顾客一次完整的购物行程：从进门到离开，有明确的时间范围和相对集中的目的。同一天可能有好几次行程（买咖啡、挑礼物、选床垫），就像同一用户一天有多个会话。货架分类、会员卡、调查问卷都无法体现“时间段内的连续意图”。