38. iprec (Package Recommendation with Intra- and Inter-Package Attention Networks)¶

代码请参考：IPRec如果我们的代码对您有用，还请点个star啊~

38.1. 内容¶

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

38.2. 模型简介¶

Package Recommendation with Intra- and Inter-Package Attention Networks 《利用“包内”和“包间”注意力网络的包推荐》。随着移动互联网中在线社交网络的蓬勃发展，我们提出了一个新颖的社交推荐场景，名为Package Recommendation。在这种场景中，用户不再被推荐单个项目或项目列表，而是被推荐异构且类型多样对象的组合（称为包，例如，包括新闻、媒体和观看新闻的朋友）。与传统推荐不同，在包推荐中，包中的对象被明确显示给用户，用户会对显式展示的对象表现出极大的兴趣，反过来这些对象可能对用户行为产生重大影响，并显著改变传统的推荐模式。

38.3. 数据准备¶

训练及测试数据集选自时间窗口为3天的微信公众号的用户日志，按7:1:2划分训练集、验证集、测试集在模型目录的data目录下为您准备了快速运行的示例数据，若需要使用全量数据可以参考下方效果复现部分。

38.4. 运行环境¶

PaddlePaddle>=2.0

python 2.7/3.5/3.6/3.7

os : windows/linux/macos

38.5. 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iprec模型目录的快速执行命令如下：

# 进入模型目录
# cd models/rank/iprec # 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 

38.6. 模型组网¶

模型整体结构如下：

38.7. 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
iprec	0.6934	256	1	3600s

确认您当前所在目录为PaddleRec/models/rank/iprec
进入Paddlerec/datasets/iprec

cd ../../../datasets/iprec
sh run.sh

cd - # 切回模型目录
python -u ../../../tools/trainer.py -m config_bigdata.yaml
python -u ../../../tools/infer.py -m config_bigdata.yaml