37. dsin (Deep Session Interest Network for Click-Through Rate Prediction)¶

代码请参考：DSIN如果我们的代码对您有用，还请点个star啊~

37.1. 内容¶

DSIN模型
模型简介
数据准备
运行环境
快速开始
模型组网
效果复现
进阶使用
FAQ

37.2. 模型简介¶

模型主要聚焦于用户的历史会话行为，通过Self-Attention和BiLSTM对历史会话行为进行学习，最后通过Activation Unit得到最终的session表征向量，再结合其他特征送入MLP计算最后的ctr score。Deep Session Interest Network for Click-Through Rate Prediction文章通过 Transformer 和 BiLSTM 来学习用户的 Session Interest Interacting，提升模型的表达能力。知乎解析看这里

37.3. 数据准备¶

本模型使用论文中的数据集Alimama Dataset，参考原文作者的数据预处理过程对数据进行处理。

37.4. 运行环境¶

PaddlePaddle == 2.2.2

python 3.7.4

os : windows/linux/macos

37.5. 快速开始¶

本文提供了样例数据可以供您快速体验，在任意目录下均可执行。在DSIN模型目录的快速执行命令如下：

# 进入模型目录
# cd models/rank/dsin # 在任意目录均可运行
# 动态图训练
python -u ../../../tools/trainer.py -m config.yaml # 全量数据运行config_bigdata.yaml 
# 动态图预测
python -u ../../../tools/infer.py -m config.yaml 

# 静态图训练
python -u ../../../tools/static_trainer.py -m config.yaml # 全量数据运行config_bigdata.yaml 
# 静态图预测
python -u ../../../tools/static_infer.py -m config.yaml 

37.6. 模型组网¶

论文Deep Session Interest Network for Click-Through Rate Prediction中的网络结构如图所示:

37.7. 效果复现¶

为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。在全量数据下模型的指标如下：

模型	auc	batch_size	epoch_num	Time of each epoch
DSIN	0.6356	4096	1	约10分钟

确认您当前所在目录为PaddleRec/models/rank/dsin
进入paddlerec/datasets/Ali_Display_Ad_Click_DSIN目录下，执行该脚本，会从国内源的服务器上下载我们预处理完成的Alimama全量数据集，并解压到指定文件夹。若您希望从原始数据集自行处理，请详见该目录下的readme。

cd ../../../datasets/Ali_Display_Ad_Click_DSIN
sh run.sh

cd - # 切回模型目录
# 动态图训练
python -u ../../../tools/trainer.py -m config_bigdata.yaml # 全量数据运行config_bigdata.yaml 
python -u ../../../tools/infer.py -m config_bigdata.yaml # 全量数据运行config_bigdata.yaml

效果复现过程可参考AI Studio项目。

Note:运行环境为至尊GPU。