神经网络模型目前已经被广泛地应用于各种推荐系统中。这些基于神经网络的推荐算法通常只会从用户的行为序列中学习到一个用户表征向量，但是这个统一的表征向量往往无法反映用户在一段时期内的多种不同的兴趣。以下图为例，Emma的商品点击序列反映了她近期三种不同的兴趣，包括珠宝、手提包和化妆品。我们提出了一种可调控的多兴趣推荐框架来解决这种情况。
多兴趣抽取模块会从用户的点击序列中捕获到用户多种不同的兴趣，然后可以用来召回一些相似的商品。聚合模块会将这些不同兴趣召回的商品整合起来作为推荐的候选商品，供下游的任务来使用。对于多兴趣抽取模块，我们参考了已有的工作MIND。MIND首先将capsule network中的dynamic routing算法用于抽取用户的多兴趣。
在我们的工作中，我们不仅尝试了dynamic routing算法，还探索了基于self-attention的方法来作为我们的多兴趣抽取模块。事实上，使用哪种方法来作为多兴趣抽取模块仍然值得进一步的探索。通过多兴趣抽取模块得到用户的表征之后，如何更好地利用用户的多兴趣表征来帮助下游的任务是一个非常值得研究的问题。在这一点上，我们提出了一种可调控的聚合模块。
给定用户的多兴趣表征，一种最直接的方式是把商品和用户的相似度定义为商品与该用户最相关的兴趣之间的得分。这种方式能够最大化推荐的精度，但是没有充分利用用户的多兴趣表征。我们提出的可调控的聚合模块可以根据用户的多兴趣表征来调控推荐的精度和多样性。提升推荐的多样性能够在一定程度上改善用户的体感。整个框架的training和serving过程如下图所示。
我们在2个公开数据集Amazon和Taobao数据集上进行了实验，验证了我们所提出的模型的有效性。如下表所示，在2个数据集上，我们提出的ComiRec-SA/DR取得了最好的效果。我们在Amazon数据集上进行了调控实验。当我们增大因子λ时，推荐的recall指标会有些许下降，但是推荐的多样性会显著地提升。