在推荐系统的召回和精排阶段，表征用户兴趣是很关键的因素。一般做法是为每个用户生成1个embedding，而阿里MIND网络提出为每个用户生成多个embedding以表征同一用户的不同兴趣，且已部署在天猫首页主流量位置。
**MIND模型输入包含三组特征：userprofile，userbehavior和label对应的targetitem。**对于userprofile，将所有id特征（如性别、年龄）转换成embedding。通过多兴趣提取器层，对用户行为序列embedding得到多个兴趣Capsule，这些兴趣Capsule表达用户多样的兴趣分布，不同的兴趣Capsule表示用户兴趣的不同偏好，以此得到用户的多个兴趣embedding。
得到用户的多个兴趣embedding后，对于targetitem，可通过attention机制来生成最终用户的embedding。在训练阶段，目标是在vu（用户多兴趣embeddings）的情况下，用户是否会和ei（目标item对应的embedding）交互。在serving阶段，可以提前计算好每个用户对应的多个embedding并保存起来，同时取出与这些embedding最相似的embeding索引起来，作为用户兴趣的候选集。
为了使胶囊网络适合做聚类，MIND网络还做了一些修改。例如bij初始化的时候用了正态分布；bilinearmappingmatrix是共享的；每个用户最终的兴趣embedding个数根据用户交互序列的个数和超参数K来计算。通过这些方式，天猫首页利用MIND网络实现了对用户做多兴趣embedding。