主頁 >  其他 > Deep Interest Network (DIN)專題4-網路結構部分代碼決議

Deep Interest Network (DIN)專題4-網路結構部分代碼決議

2022-02-09 07:47:16 其他

整體代碼

上節重點分析了資料加載相關代碼，本節將重點分析下模型訓練相關的代碼，整個模型相關部分的代碼如下：

import tensorflow as tf

from Dice import dice

class Model(object):

  def __init__(self, user_count, item_count, cate_count, cate_list, predict_batch_size, predict_ads_num):

    self.u = tf.placeholder(tf.int32, [None,]) # [B] 用戶id
    self.i = tf.placeholder(tf.int32, [None,]) # [B] 推薦商品id
    self.j = tf.placeholder(tf.int32, [None,]) # [B] 
    self.y = tf.placeholder(tf.float32, [None,]) # [B] 是否點擊
    self.hist_i = tf.placeholder(tf.int32, [None, None]) # [B, T] 之前點擊商品id串列
    self.sl = tf.placeholder(tf.int32, [None,]) # [B] 之前點擊商品個數
    self.lr = tf.placeholder(tf.float32, []) # 學習率

    hidden_units = 128

    user_emb_w = tf.get_variable("user_emb_w", [user_count, hidden_units]) # 用戶embedding
    item_emb_w = tf.get_variable("item_emb_w", [item_count, hidden_units // 2]) # 商品embedding
    item_b = tf.get_variable("item_b", [item_count],
                             initializer=tf.constant_initializer(0.0))
    cate_emb_w = tf.get_variable("cate_emb_w", [cate_count, hidden_units // 2])
    cate_list = tf.convert_to_tensor(cate_list, dtype=tf.int64) # 所有商品的分類List

    ic = tf.gather(cate_list, self.i)
    i_emb = tf.concat(values = [
        tf.nn.embedding_lookup(item_emb_w, self.i),
        tf.nn.embedding_lookup(cate_emb_w, ic),
        ], axis=1)
        # 推薦商品i的embedding + 分類embedding B*T,BATCH_SIZE個一維向量，
        # 兩個embedding的向量維度均為hidden_units // 2，故拼接后的embedding向量的維度為hidden_units
    i_b = tf.gather(item_b, self.i)

    jc = tf.gather(cate_list, self.j)
    j_emb = tf.concat([
        tf.nn.embedding_lookup(item_emb_w, self.j),
        tf.nn.embedding_lookup(cate_emb_w, jc),
        ], axis=1)
    j_b = tf.gather(item_b, self.j)

    hc = tf.gather(cate_list, self.hist_i)
    h_emb = tf.concat([
        tf.nn.embedding_lookup(item_emb_w, self.hist_i),
        tf.nn.embedding_lookup(cate_emb_w, hc),
        ], axis=2) # 之前點過商品的embedding + 分類embedding B*N*T,BATCH_SIZE個樣本 * N個訪問記錄 * 一維向量

    hist_i =attention(i_emb, h_emb, self.sl)
    # 放回 [B,1,H],一個Batch每一個樣本都有一個 sum pooling出的embedding向量，
    # embedding向量維度為hidden_units，
    #-- attention end ---
    
    hist_i = tf.layers.batch_normalization(inputs = hist_i)
    hist_i = tf.reshape(hist_i, [-1, hidden_units], name='hist_bn')
    # [B, hidden_units]，每一個embedding向量的維度是hidden_units，
    hist_i = tf.layers.dense(hist_i, hidden_units, name='hist_fcn')
    u_emb_i = hist_i
    
    hist_j =attention(j_emb, h_emb, self.sl)
    # 
    #-- attention end ---
    
    # hist_j = tf.layers.batch_normalization(inputs = hist_j)
    hist_j = tf.layers.batch_normalization(inputs = hist_j, reuse=True)
    hist_j = tf.reshape(hist_j, [-1, hidden_units], name='hist_bn')
    hist_j = tf.layers.dense(hist_j, hidden_units, name='hist_fcn', reuse=True)

    u_emb_j = hist_j
    print(u_emb_i.get_shape().as_list())
    print(u_emb_j.get_shape().as_list())
    print(i_emb.get_shape().as_list())
    print(j_emb.get_shape().as_list())
    #-- fcn begin -------
    din_i = tf.concat([u_emb_i, i_emb, u_emb_i * i_emb], axis=-1)
    din_i = tf.layers.batch_normalization(inputs=din_i, name='b1')
    d_layer_1_i = tf.layers.dense(din_i, 80, activation=tf.nn.sigmoid, name='f1')
    #if u want try dice change sigmoid to None and add dice layer like following two lines. You can also find model_dice.py in this folder.
    # d_layer_1_i = tf.layers.dense(din_i, 80, activation=None, name='f1')
    # d_layer_1_i = dice(d_layer_1_i, name='dice_1_i')
    d_layer_2_i = tf.layers.dense(d_layer_1_i, 40, activation=tf.nn.sigmoid, name='f2')
    # d_layer_2_i = tf.layers.dense(d_layer_1_i, 40, activation=None, name='f2')
    # d_layer_2_i = dice(d_layer_2_i, name='dice_2_i')
    d_layer_3_i = tf.layers.dense(d_layer_2_i, 1, activation=None, name='f3')
    din_j = tf.concat([u_emb_j, j_emb, u_emb_j * j_emb], axis=-1)
    din_j = tf.layers.batch_normalization(inputs=din_j, name='b1', reuse=True)
    d_layer_1_j = tf.layers.dense(din_j, 80, activation=tf.nn.sigmoid, name='f1', reuse=True)
    # d_layer_1_j = tf.layers.dense(din_j, 80, activation=None, name='f1', reuse=True)
    # d_layer_1_j = dice(d_layer_1_j, name='dice_1_j')
    d_layer_2_j = tf.layers.dense(d_layer_1_j, 40, activation=tf.nn.sigmoid, name='f2', reuse=True)
    # d_layer_2_j = tf.layers.dense(d_layer_1_j, 40, activation=None, name='f2', reuse=True)
    # d_layer_2_j = dice(d_layer_2_j, name='dice_2_j')
    d_layer_3_j = tf.layers.dense(d_layer_2_j, 1, activation=None, name='f3', reuse=True)
    d_layer_3_i = tf.reshape(d_layer_3_i, [-1])
    d_layer_3_j = tf.reshape(d_layer_3_j, [-1])
    x = i_b - j_b + d_layer_3_i - d_layer_3_j # [B]
    self.logits = i_b + d_layer_3_i
    
    # prediciton for selected items
    # logits for selected item:
    item_emb_all = tf.concat([
        item_emb_w,
        tf.nn.embedding_lookup(cate_emb_w, cate_list)
        ], axis=1)
    item_emb_sub = item_emb_all[:predict_ads_num,:]
    item_emb_sub = tf.expand_dims(item_emb_sub, 0)
    item_emb_sub = tf.tile(item_emb_sub, [predict_batch_size, 1, 1])
    hist_sub =attention_multi_items(item_emb_sub, h_emb, self.sl)
    #-- attention end ---
    
    hist_sub = tf.layers.batch_normalization(inputs = hist_sub, name='hist_bn', reuse=tf.AUTO_REUSE)
    # print hist_sub.get_shape().as_list() 
    hist_sub = tf.reshape(hist_sub, [-1, hidden_units])
    hist_sub = tf.layers.dense(hist_sub, hidden_units, name='hist_fcn', reuse=tf.AUTO_REUSE)

    u_emb_sub = hist_sub
    item_emb_sub = tf.reshape(item_emb_sub, [-1, hidden_units])
    din_sub = tf.concat([u_emb_sub, item_emb_sub, u_emb_sub * item_emb_sub], axis=-1)
    din_sub = tf.layers.batch_normalization(inputs=din_sub, name='b1', reuse=True)
    d_layer_1_sub = tf.layers.dense(din_sub, 80, activation=tf.nn.sigmoid, name='f1', reuse=True)
    #d_layer_1_sub = dice(d_layer_1_sub, name='dice_1_sub')
    d_layer_2_sub = tf.layers.dense(d_layer_1_sub, 40, activation=tf.nn.sigmoid, name='f2', reuse=True)
    #d_layer_2_sub = dice(d_layer_2_sub, name='dice_2_sub')
    d_layer_3_sub = tf.layers.dense(d_layer_2_sub, 1, activation=None, name='f3', reuse=True)
    d_layer_3_sub = tf.reshape(d_layer_3_sub, [-1, predict_ads_num])
    self.logits_sub = tf.sigmoid(item_b[:predict_ads_num] + d_layer_3_sub)
    self.logits_sub = tf.reshape(self.logits_sub, [-1, predict_ads_num, 1])
    #-- fcn end -------

    
    self.mf_auc = tf.reduce_mean(tf.to_float(x > 0))
    self.score_i = tf.sigmoid(i_b + d_layer_3_i)
    self.score_j = tf.sigmoid(j_b + d_layer_3_j)
    self.score_i = tf.reshape(self.score_i, [-1, 1])
    self.score_j = tf.reshape(self.score_j, [-1, 1])
    self.p_and_n = tf.concat([self.score_i, self.score_j], axis=-1)
    print(self.p_and_n.get_shape().as_list())


    # Step variable
    self.global_step = tf.Variable(0, trainable=False, name='global_step')
    self.global_epoch_step = \
        tf.Variable(0, trainable=False, name='global_epoch_step')
    self.global_epoch_step_op = \
        tf.assign(self.global_epoch_step, self.global_epoch_step+1)

    self.loss = tf.reduce_mean(
        tf.nn.sigmoid_cross_entropy_with_logits(
            logits=self.logits,
            labels=self.y)
        )

    trainable_params = tf.trainable_variables()
    self.opt = tf.train.GradientDescentOptimizer(learning_rate=self.lr)
    gradients = tf.gradients(self.loss, trainable_params)
    clip_gradients, _ = tf.clip_by_global_norm(gradients, 5)
    self.train_op = self.opt.apply_gradients(
        zip(clip_gradients, trainable_params), global_step=self.global_step)


  def train(self, sess, uij, l):
    loss, _ = sess.run([self.loss, self.train_op], feed_dict={
        self.u: uij[0],
        self.i: uij[1],
        self.y: uij[2],
        self.hist_i: uij[3],
        self.sl: uij[4],
        self.lr: l,
        })
    return loss

  def eval(self, sess, uij):
    u_auc, socre_p_and_n = sess.run([self.mf_auc, self.p_and_n], feed_dict={
        self.u: uij[0],
        self.i: uij[1],
        self.j: uij[2],
        self.hist_i: uij[3],
        self.sl: uij[4],
        })
    return u_auc, socre_p_and_n
  
  def test(self, sess, uij):
    return sess.run(self.logits_sub, feed_dict={
        self.u: uij[0],
        self.i: uij[1],
        self.j: uij[2],
        self.hist_i: uij[3],
        self.sl: uij[4],
        })
  

  def save(self, sess, path):
    saver = tf.train.Saver()
    saver.save(sess, save_path=path)

  def restore(self, sess, path):
    saver = tf.train.Saver()
    saver.restore(sess, save_path=path)

def extract_axis_1(data, ind):
  batch_range = tf.range(tf.shape(data)[0])
  indices = tf.stack([batch_range, ind], axis=1)
  res = tf.gather_nd(data, indices)
  return res

def attention(queries, keys, keys_length):
  '''
    queries:     [B, H] BATCH_SIZE個embedding向量（二維矩陣）
    keys:        [B, T, H] BATCH_SIZE個之前訪問T個商品的embedding向量（三維矩陣）
    keys_length: [B] batch_size里面，每個用戶之前點擊過商品的個數，注意這里和T的區別，T是取的所有里面的最大值，是定長，而這里是非定長的，表示的是實際點擊的商品數，
  '''
  queries_hidden_units = queries.get_shape().as_list()[-1] # 推薦商品的embedding向量維度
  queries = tf.tile(queries, [1, tf.shape(keys)[1]]) # queries的1緯不變，2維擴張為原來的T倍，即之前點擊過的商品數，
  # querise緯度變為 [B, T*H]
  queries = tf.reshape(queries, [-1, tf.shape(keys)[1], queries_hidden_units])
  # 修改querise緯度變為[B, T, H]，對于一個推薦商品，其會生成T個重復的相同一個推薦商品的embedding向量，
  din_all = tf.concat([queries, keys, queries-keys, queries*keys], axis=-1)
  # 最后一個維度拼接到一起，拼接后變為 [B, T, 4*H]
  d_layer_1_all = tf.layers.dense(din_all, 80, activation=tf.nn.sigmoid, name='f1_att', reuse=tf.AUTO_REUSE)
  # 第一層網路，輸出[B, T, 80]
  d_layer_2_all = tf.layers.dense(d_layer_1_all, 40, activation=tf.nn.sigmoid, name='f2_att', reuse=tf.AUTO_REUSE)
  # 第二層網路，輸出[B, T, 40]
  d_layer_3_all = tf.layers.dense(d_layer_2_all, 1, activation=None, name='f3_att', reuse=tf.AUTO_REUSE)
  # 第三層網路，輸出[B, T, 1]
  d_layer_3_all = tf.reshape(d_layer_3_all, [-1, 1, tf.shape(keys)[1]])
  outputs = d_layer_3_all
  # 最后的輸出為 [B, 1, T]
  # Mask
  key_masks = tf.sequence_mask(keys_length, tf.shape(keys)[1])   # [B, T]
  # 標識矩陣B * T個點位，哪些是true （存在之前點擊過的商品）哪些是false（不存在之前點擊過的商品）
  #例如：tf.sequence_mask([1, 3, 2], 5)，回傳值為：
  # [[True, False, False, False, False],
  #  [True, True, True, False, False],
  #  [True, True, False, False, False]]
  key_masks = tf.expand_dims(key_masks, 1) # [B, 1, T]
  # 緯度變為 [B, 1, T]
  paddings = tf.ones_like(outputs) * (-2 ** 32 + 1)
  # 生成與outputs緯度相同的tensor，緯度為 [B, 1, T]，所有值初始化為：-2 ** 32 + 1，之所以如此初始化是因為-2 ** 32 + 1 在softmax中取值無限接近于0.
  outputs = tf.where(key_masks, outputs, paddings)  # [B, 1, T]
  # key_masks對應點如果為true，則賦值為對應outputs點的值，如果為false（不存在的），賦值為對應paddings點的值：-2 ** 32 + 1，
  # Scale
  outputs = outputs / (keys.get_shape().as_list()[-1] ** 0.5)
  # 歸一化處理 outputs = outputs / sqrt(H)
  # Activation
  outputs = tf.nn.softmax(outputs)  # [B, 1, T]
  # softmax，最后T個維度分別表示T個產品和推薦產品的相關性，相關性越高對應softmax輸出值就越大，
  # Weighted sum
  outputs = tf.matmul(outputs, keys)  # [B, 1, H]
  # sum polling： 基于相關性和attention機制，選擇相關性高的embedding向量，
  # 兩個矩陣維度分別為 [B, 1, T] 和 [B, T, H]，實際是矩陣的后兩緯相乘：[1,T]*[T,H]，第一個[1,T]向量，每一個代表了相關度大小，
  # 相關度越高，對應的歷史點擊商品和當前推薦商品的
  return outputs # 回傳 B * 1 * H

def attention_multi_items(queries, keys, keys_length):
  '''
    queries:     [B, N, H] N is the number of ads
    keys:        [B, T, H] 
    keys_length: [B]
  '''
  queries_hidden_units = queries.get_shape().as_list()[-1] # 推薦商品的embedding向量維度
  queries_nums = queries.get_shape().as_list()[1] # 推薦商品的個數
  queries = tf.tile(queries, [1, 1, tf.shape(keys)[1]]) # queries的1維和2維不變，3維擴張為原來的的T倍，T對應之前看過的商品數，
  # [B,N,T*H]
  queries = tf.reshape(queries, [-1, queries_nums, tf.shape(keys)[1], queries_hidden_units]) 
  # 變為四維，即shape : [B, N, T, H]
  max_len = tf.shape(keys)[1]
  keys = tf.tile(keys, [1, queries_nums, 1])
  keys = tf.reshape(keys, [-1, queries_nums, max_len, queries_hidden_units])
  # shape : [B, N, T, H]， 推薦商品embedding和訪問商品embedding形成一一對應
  din_all = tf.concat([queries, keys, queries-keys, queries*keys], axis=-1) #最后一層拼接到一起
  d_layer_1_all = tf.layers.dense(din_all, 80, activation=tf.nn.sigmoid, name='f1_att', reuse=tf.AUTO_REUSE)
  d_layer_2_all = tf.layers.dense(d_layer_1_all, 40, activation=tf.nn.sigmoid, name='f2_att', reuse=tf.AUTO_REUSE)
  d_layer_3_all = tf.layers.dense(d_layer_2_all, 1, activation=None, name='f3_att', reuse=tf.AUTO_REUSE)
  d_layer_3_all = tf.reshape(d_layer_3_all, [-1, queries_nums, 1, max_len])
  # [B,N,1,T]
  outputs = d_layer_3_all 
  # Mask
  key_masks = tf.sequence_mask(keys_length, max_len)   # [B, T]
  key_masks = tf.tile(key_masks, [1, queries_nums])
  key_masks = tf.reshape(key_masks, [-1, queries_nums, 1, max_len]) # shape : [B, N, 1, T]
  paddings = tf.ones_like(outputs) * (-2 ** 32 + 1)
  outputs = tf.where(key_masks, outputs, paddings)  # [B, N, 1, T]

  # Scale
  outputs = outputs / (keys.get_shape().as_list()[-1] ** 0.5)

  # Activation
  outputs = tf.nn.softmax(outputs)  # [B, N, 1, T]
  outputs = tf.reshape(outputs, [-1, 1, max_len])
  keys = tf.reshape(keys, [-1, max_len, queries_hidden_units])
  #print outputs.get_shape().as_list()
  #print keys.get_sahpe().as_list()
  # Weighted sum
  outputs = tf.matmul(outputs, keys)
  outputs = tf.reshape(outputs, [-1, queries_nums, queries_hidden_units])  # [B, N, 1, H]
  print(outputs.get_shape().as_list())
  return outputs

網路結構主要是在model類初始化建構式__init__中完成定義和初始化，model類呼叫train函式完成訓練，分開來進一步分析代碼：

訓練函式和輸入：

  def train(self, sess, uij, l):
    loss, _ = sess.run([self.loss, self.train_op], feed_dict={
        self.u: uij[0], # 用戶id
        self.i: uij[1], # 推薦商品id
        self.y: uij[2], # 是否點擊該商品
        self.hist_i: uij[3], # 之前點擊商品串列
        self.sl: uij[4], #之前點擊商品個數
        self.lr: l, # 學習率
        })
    return loss

其中，輸入：用戶id、商品id、是否點擊該商品（label: 0 或者 1）和點擊商品個數均為1維：batch_size(一個batch的樣本數) 大小的向量，而輸入：之前點擊商品串列為2維：batch_size * T(所有batch_size個樣本里點擊過商品最大的個數)，輸入tensor與訓練函式的輸入資料對應：

    self.u = tf.placeholder(tf.int32, [None,]) # [B] 用戶id
    self.i = tf.placeholder(tf.int32, [None,]) # [B] 推薦商品id
    self.j = tf.placeholder(tf.int32, [None,]) # [B] 
    self.y = tf.placeholder(tf.float32, [None,]) # [B] 是否點擊
    self.hist_i = tf.placeholder(tf.int32, [None, None]) # [B, T] 之前點擊商品id串列
    self.sl = tf.placeholder(tf.int32, [None,]) # [B] 之前點擊商品個數
    self.lr = tf.placeholder(tf.float32, []) # 學習率

embedding層定義

    hidden_units = 128

    user_emb_w = tf.get_variable("user_emb_w", [user_count, hidden_units]) # 用戶embedding
    item_emb_w = tf.get_variable("item_emb_w", [item_count, hidden_units // 2]) # 商品embedding
    item_b = tf.get_variable("item_b", [item_count],
                             initializer=tf.constant_initializer(0.0))
    cate_emb_w = tf.get_variable("cate_emb_w", [cate_count, hidden_units // 2])
    cate_list = tf.convert_to_tensor(cate_list, dtype=tf.int64) # 所有商品的分類List

embedding層定義如下幾個embedding層：

用戶id的embedding：user_emb_w

商品item id的embedding： item_emb_w

商品分類的embedding：cate_emb_w

以及：

商品item id的embedding的偏置：item_b

所有商品對應的商品分類（大約有幾百個分類，初始化輸入后轉換為固定的tensor）：cate_list（1對1分類的List，List索引位置對應商品id編碼，直接通過索引找到商品分類）

embedding特征拼接

    ic = tf.gather(cate_list, self.i)
    i_emb = tf.concat(values = [
        tf.nn.embedding_lookup(item_emb_w, self.i),
        tf.nn.embedding_lookup(cate_emb_w, ic),
        ], axis=1)
        # 推薦商品i的embedding + 分類embedding B*T,BATCH_SIZE個一維向量，
        # 兩個embedding的向量維度均為hidden_units // 2，故拼接后的embedding向量的維度為hidden_units
    i_b = tf.gather(item_b, self.i)

    jc = tf.gather(cate_list, self.j)
    j_emb = tf.concat([
        tf.nn.embedding_lookup(item_emb_w, self.j),
        tf.nn.embedding_lookup(cate_emb_w, jc),
        ], axis=1)
    j_b = tf.gather(item_b, self.j)

    hc = tf.gather(cate_list, self.hist_i)
    h_emb = tf.concat([
        tf.nn.embedding_lookup(item_emb_w, self.hist_i),
        tf.nn.embedding_lookup(cate_emb_w, hc),
        ], axis=2) # 之前點過商品的embedding + 分類embedding B*N*T,BATCH_SIZE個樣本 * N個訪問記錄 * 一維向量

這里，i_emb為商品id embedding特征和商品分類embedding特征拼接到一起的特征，i_b為對應embedding特征的偏置，其對應維度為： B(BATCH_SIZE)*H(embedding向量維度128)，h_emb為之前點擊過的商品id embedding特征和分類embedding特征拼接到一起的特征，由于點擊過的商品可能有多個，其緯度為：B(BATCH_SIZE)*T(所有batch_size個樣本里點擊過商品最大的個數)*H(embedding向量維度128)，

attention層

attention實作代碼：

    hist_i =attention(i_emb, h_emb, self.sl)
    # 回傳 [B,1,H],一個Batch每一個樣本都有一個 sum pooling出的embedding向量，
    # embedding向量維度為hidden_units，

attention函式定義：

def attention(queries, keys, keys_length):
  '''
    queries:     [B, H] BATCH_SIZE個embedding向量（二維矩陣）
    keys:        [B, T, H] BATCH_SIZE個之前訪問T個商品的embedding向量（三維矩陣）
    keys_length: [B] batch_size里面，每個用戶之前點擊過商品的個數，注意這里和T的區別，T是取的所有里面的最大值，是定長，而這里是非定長的，表示的是實際點擊的商品數，
  '''
  queries_hidden_units = queries.get_shape().as_list()[-1] # 推薦商品的embedding向量維度
  queries = tf.tile(queries, [1, tf.shape(keys)[1]]) # queries的1緯不變，2維擴張為原來的T倍，即之前點擊過的商品數，
  # querise緯度變為 [B, T*H]
  queries = tf.reshape(queries, [-1, tf.shape(keys)[1], queries_hidden_units])
  # 修改querise緯度變為[B, T, H]，對于一個推薦商品，其會生成T個重復的相同一個推薦商品的embedding向量，
  din_all = tf.concat([queries, keys, queries-keys, queries*keys], axis=-1)
  # 最后一個維度拼接到一起，拼接后變為 [B, T, 4*H]
  d_layer_1_all = tf.layers.dense(din_all, 80, activation=tf.nn.sigmoid, name='f1_att', reuse=tf.AUTO_REUSE)
  # 第一層網路，輸出[B, T, 80]
  d_layer_2_all = tf.layers.dense(d_layer_1_all, 40, activation=tf.nn.sigmoid, name='f2_att', reuse=tf.AUTO_REUSE)
  # 第二層網路，輸出[B, T, 40]
  d_layer_3_all = tf.layers.dense(d_layer_2_all, 1, activation=None, name='f3_att', reuse=tf.AUTO_REUSE)
  # 第三層網路，輸出[B, T, 1]
  d_layer_3_all = tf.reshape(d_layer_3_all, [-1, 1, tf.shape(keys)[1]])
  outputs = d_layer_3_all
  # 最后的輸出為 [B, 1, T]
  # Mask
  key_masks = tf.sequence_mask(keys_length, tf.shape(keys)[1])   # [B, T]
  # 標識矩陣B * T個點位，哪些是true （存在之前點擊過的商品）哪些是false（不存在之前點擊過的商品）
  #例如：tf.sequence_mask([1, 3, 2], 5)，回傳值為：
  # [[True, False, False, False, False],
  #  [True, True, True, False, False],
  #  [True, True, False, False, False]]
  key_masks = tf.expand_dims(key_masks, 1) # [B, 1, T]
  # 緯度變為 [B, 1, T]
  paddings = tf.ones_like(outputs) * (-2 ** 32 + 1)
  # 生成與outputs緯度相同的tensor，緯度為 [B, 1, T]，所有值初始化為：-2 ** 32 + 1，之所以如此初始化是因為-2 ** 32 + 1 在softmax中取值無限接近于0.
  outputs = tf.where(key_masks, outputs, paddings)  # [B, 1, T]
  # key_masks對應點如果為true，則賦值為對應outputs點的值，如果為false（不存在的），賦值為對應paddings點的值：-2 ** 32 + 1，
  # Scale
  outputs = outputs / (keys.get_shape().as_list()[-1] ** 0.5)
  # 歸一化處理 outputs = outputs / sqrt(H)
  # Activation
  outputs = tf.nn.softmax(outputs)  # [B, 1, T]
  # softmax，最后T個維度分別表示T個產品和推薦產品的相關性，相關性越高對應softmax輸出值就越大，
  # Weighted sum
  outputs = tf.matmul(outputs, keys)  # [B, 1, H]
  # sum polling： 基于相關性和attention機制，選擇相關性高的embedding向量，
  # 兩個矩陣維度分別為 [B, 1, T] 和 [B, T, H]，實際是矩陣的后兩緯相乘：[1,T]*[T,H]，第一個[1,T]向量，每一個代表了相關度大小，
  # 相關度越高，對應的歷史點擊商品和當前推薦商品的
  return outputs # 回傳 B * 1 * H

這是論文演算法中最核心的部分，代碼中已經給了詳細注釋，基本原理就是通過一個3層全連接的神經網路來學習當前推薦商品i_emb和之前點擊所有商品的embedding特征h_emb中每一個商品的特征的相關性，這里通過輸入兩個embedding特征的以及它們之間的差和乘積來增強對特征的學習：

din_all = tf.concat([queries, keys, queries-keys, queries*keys], axis=-1)

隨后，通過softmax生成attention機制，最后通過sum pooling根據相關性選擇出之前點擊過的相關性較高的商品的embedding特征，

全連接層

    hist_i = tf.layers.batch_normalization(inputs = hist_i)
    hist_i = tf.reshape(hist_i, [-1, hidden_units], name='hist_bn')
    # [B, hidden_units]，每一個embedding向量的維度是hidden_units，
    hist_i = tf.layers.dense(hist_i, hidden_units, name='hist_fcn')
    u_emb_i = hist_i
 
    din_i = tf.concat([u_emb_i, i_emb, u_emb_i * i_emb], axis=-1)
    din_i = tf.layers.batch_normalization(inputs=din_i, name='b1')
    d_layer_1_i = tf.layers.dense(din_i, 80, activation=tf.nn.sigmoid, name='f1')
    #if u want try dice change sigmoid to None and add dice layer like following two lines. You can also find model_dice.py in this folder.
    # d_layer_1_i = tf.layers.dense(din_i, 80, activation=None, name='f1')
    # d_layer_1_i = dice(d_layer_1_i, name='dice_1_i')
    d_layer_2_i = tf.layers.dense(d_layer_1_i, 40, activation=tf.nn.sigmoid, name='f2')
    # d_layer_2_i = tf.layers.dense(d_layer_1_i, 40, activation=None, name='f2')
    # d_layer_2_i = dice(d_layer_2_i, name='dice_2_i')
    d_layer_3_i = tf.layers.dense(d_layer_2_i, 1, activation=None, name='f3')
    din_j = tf.concat([u_emb_j, j_emb, u_emb_j * j_emb], axis=-1)
    din_j = tf.layers.batch_normalization(inputs=din_j, name='b1', reuse=True)
    d_layer_1_j = tf.layers.dense(din_j, 80, activation=tf.nn.sigmoid, name='f1', reuse=True)
    # d_layer_1_j = tf.layers.dense(din_j, 80, activation=None, name='f1', reuse=True)
    # d_layer_1_j = dice(d_layer_1_j, name='dice_1_j')
    d_layer_2_j = tf.layers.dense(d_layer_1_j, 40, activation=tf.nn.sigmoid, name='f2', reuse=True)
    # d_layer_2_j = tf.layers.dense(d_layer_1_j, 40, activation=None, name='f2', reuse=True)
    # d_layer_2_j = dice(d_layer_2_j, name='dice_2_j')
    d_layer_3_j = tf.layers.dense(d_layer_2_j, 1, activation=None, name='f3', reuse=True)
    d_layer_3_i = tf.reshape(d_layer_3_i, [-1])
    d_layer_3_j = tf.reshape(d_layer_3_j, [-1])
    x = i_b - j_b + d_layer_3_i - d_layer_3_j # [B]
    self.logits = i_b + d_layer_3_i

attention層挑選出的用戶歷史行為特征u_emb_i和商品特征i_emb以及兩特征向量乘積送入全連接網路，最后加入偏置i_b成為最終logistic判定的輸入：

self.logits = i_b + d_layer_3_i

損失函式和訓練

最終損失函式為：

    self.loss = tf.reduce_mean(
        tf.nn.sigmoid_cross_entropy_with_logits(
            logits=self.logits,
            labels=self.y)
        )

訓練函式為：

    trainable_params = tf.trainable_variables()
    self.opt = tf.train.GradientDescentOptimizer(learning_rate=self.lr)
    gradients = tf.gradients(self.loss, trainable_params)
    clip_gradients, _ = tf.clip_by_global_norm(gradients, 5) # 避免一次迭代中權重的更新過于迅猛
    self.train_op = self.opt.apply_gradients( 
        zip(clip_gradients, trainable_params), global_step=self.global_step)

這里可以與最開始部分介紹的模型呼叫的訓練函式train()對應上了，

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/423557.html

標籤：AI

上一篇：知識圖譜 ——知識存盤與檢索

下一篇：Pyecharts 獵聘招聘資料可視化

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂