DIN¶
简介¶
利用DIN算法建模用户点击序列。支持多组序列共同embedding，如hist_item_id, hist_category_id。
EasyRec提供两种使用DIN模型的方法：
1. 内置模型¶
内置模型目前结合multi-tower共同使用，din 部分作为multi-tower的一个塔。
2. 组件化模型（推荐）¶
使用组件化方法搭建标准的DIN模型会更加方便，详见下方组件化模型配置。
模型配置¶
1. 内置模型¶
model_config: {
model_class: 'MultiTowerDIN'
feature_groups: {
group_name: 'user'
feature_names: 'user_id'
feature_names: 'cms_segid'
...
feature_names: 'new_user_class_level'
wide_deep: DEEP
}
feature_groups: {
group_name: 'item'
feature_names: 'adgroup_id'
feature_names: 'cate_id'
...
feature_names: 'pid'
wide_deep: DEEP
}
seq_att_groups: {
group_name: "din"
seq_att_map: {
key: "brand"
hist_seq: "tag_brand_list"
}
seq_att_map: {
key: "cate_id"
hist_seq: "tag_category_list"
}
}
multi_tower {
towers {
input: "user"
dnn {
hidden_units: [256, 128, 96, 64]
}
}
towers {
input: "item"
dnn {
hidden_units: [256, 128, 96, 64]
}
}
din_towers {
input: "din"
dnn {
hidden_units: [128, 64, 32, 1]
}
}
final_dnn {
hidden_units: [128, 96, 64, 32, 16]
}
l2_regularization: 5e-7
}
embedding_regularization: 5e-5
}
model_class: ‘MultiTowerDIN’, 不需要修改。
feature_groups: 可配置多个feature_group，group name可以变。
seq_att_groups: 可配置多个seq_att_groups。
group name
seq_att_map: 需配置key和hist_seq，一一对应。
multi_tower: multi_tower相关的参数
towers: 每个feature_group对应了一个tower。
input必须和feature_groups的group_name对应。
dnn: deep part的参数配置
hidden_units: dnn每一层的channel数目，即神经元的数目
din_towers: 每个seq_att_groups对应了一个din_tower
input必须和seq_att_groups的group_name对应。
dnn: deep part的参数配置
hidden_units: dnn每一层的channel数目，即神经元的数目
final_dnn 整合towers和din_towers的输入
hidden_units: dnn每一层的channel数目，即神经元的数目
embedding_regularization: 对embedding部分加regularization，防止overfit
备注 DIN 模型需保证在单个样本中, seq_att_groups 内字段的序列长度相同, 例如模型配置示例的 seq_att_groups 中, 第一个样本的 tag_brand_list 和 tag_category_list 都是3个元素； 第二个样本的 tag_brand_list 和 tag_category_list 都是5个元素；
2. 组件化模型¶
model_config: {
model_name: 'DIN'
model_class: 'RankModel'
feature_groups: {
group_name: 'normal'
feature_names: 'user_id'
feature_names: 'cms_segid'
feature_names: 'cms_group_id'
feature_names: 'age_level'
feature_names: 'pvalue_level'
feature_names: 'shopping_level'
feature_names: 'occupation'
feature_names: 'new_user_class_level'
feature_names: 'adgroup_id'
feature_names: 'cate_id'
feature_names: 'campaign_id'
feature_names: 'customer'
feature_names: 'brand'
feature_names: 'price'
feature_names: 'pid'
wide_deep: DEEP
}
feature_groups: {
group_name: 'sequence'
feature_names: "cate_id"
feature_names: "brand"
feature_names: "tag_category_list"
feature_names: "tag_brand_list"
wide_deep: DEEP
}
backbone {
blocks {
name: 'deep'
inputs {
feature_group_name: 'normal'
}
keras_layer {
class_name: 'MLP'
mlp {
hidden_units: [256, 128, 64]
}
}
}
blocks {
name: 'seq_input'
inputs {
feature_group_name: 'sequence'
}
input_layer {
output_seq_and_normal_feature: true
}
}
blocks {
name: 'DIN'
inputs {
block_name: 'seq_input'
}
keras_layer {
class_name: 'DIN'
din {
attention_dnn {
hidden_units: 32
hidden_units: 1
activation: "dice"
}
need_target_feature: true
}
}
}
top_mlp {
hidden_units: [256, 128, 64]
}
}
model_params {
l2_regularization: 0
}
embedding_regularization: 0
}
model_name: 任意自定义字符串，仅有注释作用
model_class: ‘RankModel’, 不需要修改, 通过组件化方式搭建的单目标排序模型都叫这个名字
feature_groups: 特征组
包含两个feature_group: dense 和sparse group
wide_deep: DIN模型使用的都是Deep features, 所以都设置成DEEP
序列组件对应的feature_group的配置方式请查看 参考文档
backbone: 通过组件化的方式搭建的主干网络，参考文档
blocks: 由多个
组件块组成的一个有向无环图（DAG），框架负责按照DAG的拓扑排序执行个组件块关联的代码逻辑，构建TF Graph的一个子图name/inputs: 每个
block有一个唯一的名字（name），并且有一个或多个输入(inputs)和输出input_layer: 对输入的
feature group配置的特征做一些额外的加工，比如执行可选的batch normalization、layer normalization、feature dropout等操作，并且可以指定输出的tensor的格式（2d、3d、list等）；参考文档keras_layer: 加载由
class_name指定的自定义或系统内置的keras layer，执行一段代码逻辑；参考文档concat_blocks: DAG的输出节点由
concat_blocks配置项定义，不配置时默认为所有DAG的叶子节点top_mlp: 各输出
组件块的输出tensor拼接之后输入给一个可选的顶部MLP层
model_params:
l2_regularization: 对DNN参数的regularization, 减少overfit
embedding_regularization: 对embedding部分加regularization, 减少overfit
示例config¶
内置模型：DIN_demo.config
组件化模型：DIN_backbone.config