MindSpore实现DIEN网络

最新推荐文章于 2025-02-18 00:45:46 发布
最新推荐文章于 2025-02-18 00:45:46 发布
阅读量517 收藏
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 推荐系统 mindspore 文章标签： 深度学习 神经网络 推荐算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_46041930/article/details/124557009
DIEN（Deep Interest Evolution Network）是阿里巴巴提出的一种深度学习模型，用于点击率（CTR）预测。该模型通过行为序列层、兴趣提取层、兴趣进化层和全连接层，捕捉用户兴趣的演变过程。行为序列层将用户行为转化为embedding，兴趣提取层利用GRU学习兴趣序列，兴趣进化层通过AUGRU和注意力机制进一步细化兴趣表示。数据预处理涉及行为序列规范化和负采样。模型构建中，全连接层接收兴趣进化层的输出和其他特征，通过多层神经网络预测CTR。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

MindSpore实现DIEN网络

代码仓库地址

https://github.com/sduzjp/DIEN

DIEN网络模型概述

DIEN（Deep Interest Evolution Network）是阿里提出的应用于CTR预测的深度兴趣进化网络。

论文：Zhou, G., Mou, N., Fan, Y., Pi, Q., Bian, W., Zhou, C., Zhu, X., & Gai, K. (2019). Deep Interest Evolution Network for Click-Through Rate Prediction. Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 5941-5948.

论文下载地址：https://doi.org/10.1609/aaai.v33i01.33015941

在这里插入图片描述
DIEN网络框架，主要分成以下几层：

  1. 行为序列层（Behavior Layer）：主要将用户浏览过的商品转换为对应的embedding，并且按照浏览时间做排序，即把原始的id类行为序列特征转换成Embedding行为序列
  2. 兴趣抽取层（Interest Extractor Layer）：主要是通过模拟用户的兴趣迁移过程，基于行为序列提取用户兴趣序列
  3. 兴趣进化层（Interest Evolving Layer）：主要是通过在兴趣抽取层基础上加入Attention机制，模拟与当前目标广告相关的兴趣进化过程，对与目标物品相关的兴趣演化过程进行建模
  4. 最后将兴趣表示、Target Ad、user profile、context feature的embedding向量进行拼接，最后使用MLP完成预测

数据预处理

  1. data_iterator.py：数据迭代器构造，data_iterator里面包括各组建batch，将item，category转化为id，负采样等等，其返回值是 source, target，是在train中用来加载数据生成迭代器train_data和test_data。

  2. 其中source是一个列表（batch），每一个元素也是一个列表 [uid, mid, cat, mid_list, cat_list, noclk_mid_list, noclk_cat_list]

    target也是一个列表（batch），每一个元素也是一个列表 [float(ss[0]), 1-float(ss[0])]

    source中的元素：

    ​ uid：用户id，一个数

    ​ mid：目标movie id(query)，待预测是否点击的movie id，一个数

    ​ cat：目标movie category id(query)，待预测是否点击的movie category id，一个数

    ​ mid_list：用户历史点击的 movie id ，其实一个列表（长度不定的）

    ​ cat_list：用户历史点击的 movie category id ，其实一个列表（长度和mid_list一样）

    ​ noclk_mid_list、noclk_cat_list：负采样的movie id和category id，

    负采样的过程：从mid_list(历史行为序列)中拿movie id(pos_mid)，然后在mid_list_for_randoms随机抽取一个位置（对应一个movie id即noclk_mid），然后看看pos_mid和noclk_mid是否一样，一样就跳过，不一样就可以将其作为一个负样本，负样本个数超过5个即可返回。因此抽取的负样本noclk_mid_list是一个二维列表[length,5]，length就是该用户历史行为中点击的商品的个数

    举例：假设用户历史点击的商品有[1,45,34]

    ​ 那么我们先取出1，其对应抽5个负样本[2,3,4,5,6]

    ​ 再取出45，其对应抽5个负样本[7,8,2,9,1]

    ​ 再取出34，其对应抽5个负样本[89,56,23,67,3]

    ​ 最后noclk_mid_list的形式就是[[2,3,4,5,6], [7,8,2,9,1], [89,56,23,67,3]]

    target就是一个列表，[0,1]或[1,0]标签

  3. 根据data_iterator中得到的source 和 target，经过train.py中的prepare_data函数进行数据预处理，目的是将行为序列长度规范化到100。需要规范化的字段主要就4个：mid_list，cat_list，noclk_mid_list，noclk_cat_list。最后规范化以后多了一个mid_mask来记录padding，1表示的就是真实的，0表示的就是填充的。

模型构建

一：行为序列层（Behavior Layer）

  1. 实际上就是个embedding层，作用是将用户浏览过的商品转换成对应的embedding，并且按照浏览时间做排序，即把原始的id类行为序列特征转换成Embedding行为序列。
  2. 输入就是经过数据预处理后的用户浏览过后的商品，输出就是embedding行为序列。

二：兴趣提取层（Interest Extractor Layer）

  1. 输入是embedding行为序列向量，输出是经过GRU的隐藏层向量，同时还计算了一个辅助loss。
  2. GRU是dynamic rnn，可以和LSTM达到相同的效果，LSTM解决了RNN在长期依赖上的问题，可以很好的学习到很长的历史信息，GRU和LSTM类似，但是更容易训练，能够很大程度上提高训练效率。
  3. GRU的内部结构图和计算公式：
    在这里插入图片描述
    GRU中只有两个门，一个更新门，一个重置门，而LSTM中有三个门。
    在这里插入图片描述
  4. 辅助损失：利用t时刻的embedding行为e(t+1)作为监督去学习隐含层向量ht，其中正负样本分别代表了用户 点击/未点击 的第t个物品的embedding向量。正样本就是真实的下一个行为作为样本，负样本就是从用户从未交互过的商品中随机抽取，或是从已展示给用户但用户没有点击的商品中随机抽取。
    在这里插入图片描述辅助损失函数表达式：
    在这里插入图片描述

三：兴趣进化层（Interest Evolving Layer）

  1. 主要组件是AUGRU，AUGRU是在GRU的基础上引入了attention score来控制其中的门。
  2. attention机制：将source中（这里source可以理解为实际样本）的构成元素想象成由一系列的 <Key,Value> 数据对构成的，此时给定 Target 中的某个元素 Query，通过计算Query和各个Key的相似性或相关性，得到每个Key对应Value的权重系数，然后对Value进行加权求和，从而得到最终的Attention数值。
    在这里插入图片描述
    可以理解成从大量信息中有选择地筛选出少量重要信息并聚焦到这些重要信息上，忽略大多不重要的信息。

也可以理解成一种软寻址（Soft Addressing）

总结一下Attention数值的具体计算过程：

  1. 根据Query和Key计算两者相似性或相关性的值，常用的方法有：求两者的向量点积、求两者的向量cosine相似性、引入MLP网络求值。
    在这里插入图片描述

  2. 对相似性的值进行归一化处理得到权重系数，归一化的方法用softmax。
    在这里插入图片描述

  3. 根据权重系数对Value进行加权求和。
    在这里插入图片描述
    Attention计算整体流程图：
    在这里插入图片描述

四：全连接层

  1. 全连接层的输入：将兴趣进化层的输出和target id、context feature、user profile feature的embedding向量进行拼接得到全连接层的输入
    在这里插入图片描述

首先进行 Batch Normalization

然后经过一个200个节点的全连接层，输出用 dice 或 prelu 激活

经过一个80个节点的全连接层，输出用 dice 或 prelu 激活

经过一个2个节点的全连接层，输出再经过softmax得到最终的输出

五：代码实现

具体请参考github仓库代码。

精通推荐算法25：行为序列建模之DIEN -- GRU建模用户行为序列
谢杨易的博客
08-20 1275
DIN通过AttentionPooling的精巧设计，解决了行为序列与候选商品的充分交叉、行为序列针对不同候选物品的自适应建模、以及各历史行为重要性的有效区分等问题，引起了业界对用户行为序列建模的热情。但其序列中各历史行为之间没有关联，时序信息也是缺失的，无法表达用户兴趣的演化过程，导致行为序列建模的表达能力不足。进一步理解，类似于自然语言处理中的文本序列，用户行为序列本质上也是一个序列，用户当前是否点击与之前的历史行为息息相关。比如用户购买手机后，大概率接下来会买手机壳和贴膜。
AI上推荐 之 DIEN模型(序列模型与推荐系统的花火碰撞)
Miracle8070
03-06 8099
1. 前言 随着信息技术和互联网的发展， 我们已经步入了一个信息过载的时代，这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战： 信息消费者：如何从大量的信息中找到自己感兴趣的信息？ 信息生产者：如何让自己生产的信息脱颖而出， 受到广大用户的关注？ 为了解决这个矛盾， 推荐系统应时而生， 并飞速前进，在用户和信息之间架起了一道桥梁，一方面帮助用户发现对自己有价值的信息， 一方面让信息能够展现在对它感兴趣的用户前面。 推荐系统近几年有了深度学习的助推发展之势迅猛， 从前深度学习的传统推荐模型(协
【论文导读】2019阿里CTR预估模型---DIEN（深度兴趣演化网络）
Blank_Space
07-07 1987
前言今天分享一篇阿里2019发表在AAAI上的CTR预估的论文《Deep Interest Evolution Network for Click-Through Rate Predic...
DIEN：深度兴趣演化网络
m0_64449391的博客
02-18 1110
为了在效率与性能之间找到平衡，作者使用GRU（门控循环单元）来建模行为之间的依赖关系，GRU的输入是按时间顺序排列的用户行为。通过辅助损失和改进的GRU架构，DIEN能够更好地处理长序列行为数据，并优化用户兴趣的表示，推动广告推荐系统的发展。具体而言，兴趣演化层通过对每个GRU步骤的局部激活，使得与目标项相关的兴趣得以强化，减少来自兴趣漂移的干扰。兴趣演化层的目标是通过建模兴趣的演化过程，提高目标项CTR的预测准确度。在电商系统中，用户行为承载着潜在的兴趣，用户在每次行为后，兴趣都会发生变化。
推荐系统之深度兴趣进化网络DIEN
李问渔
04-12 1392
深度兴趣进化网络DIEN 深度兴趣进化网络（Deep Interest Evolution Network，DIEN）是阿里妈妈广告团队发表在AAAI 2019上的工作，是深度兴趣网络DIN模型的升级版。 Motivation 与搜索广告不同，在推荐系统中用户无需输入关键词来表达意图，因此捕捉用户兴趣并考虑兴趣的动态变化对提升模型效果来说十分关键。以Wide&Deep为代表的模型只考虑不同...
CTR---DIEN原理，及deepctr实现DIEN
WGS.
12-07 2118
原先在DIN中User Behaviors的部分现在分成了三层，第一层Behavior Layer，第二层Interest Extractor Layer，第三层Interest Evolving Layer。 将用户行为序列embedding之后和其他特征embedding一起作为输入 兴趣抽取层Interest Extractor Layer：用户行为序列送入GRU结构，使用t时刻及之前的序列抽取t时刻的兴趣（即GRU对应细胞的输出hth_tht​） 在兴趣抽取层中引入辅助loss，最大化hth_.
PyTorch 深度学习实战 | DIEN 模拟兴趣演化的序列网络
不断学习，不断进步，提高自己
03-24 2465
DIEN 模拟兴趣演化的序列网络
[CTR模型] DIEN（Deep Interest Evolution Network）模型解读与Deepctr实现
zhong_ddbb的博客
10-10 2453
文章目录背景基本原理1. 模型的输入2. Interest Extractor Layer3. Interest Evolving LayerDeepctr实现 背景 DIEN（Deep Interest Evolution Network）是DIN的改进版，先回顾一下DIN模型： DIN模型的核心思想是：在用户兴趣多样性的推荐背景下，利用用户的历史行为数据，通过Attention机制来捕捉被推荐物品的相对兴趣。DIN模型没有考虑到用户的兴趣的动态变化，如何在CTR中捕捉到用户兴趣的发展变化，就是DIEN
tu_dien
03-15
总的来说，"tu_dien"可能是一个Java实现的工具或服务，它的具体功能需要通过项目源代码和文档来探索。如果你打算使用或贡献这个项目，确保熟悉Java编程，并且能够理解Git工作流，这将有助于你理解和参与项目的开发。
DIEN模型介绍
舟
04-05 2446
文章目录DIEN介绍兴趣抽取层辅助loss兴趣演化层整体模型结构图实验对比参考 DIEN介绍 在CTR预估中，捕捉用户行为背后隐式的兴趣是非常重要的，而且因为外部环境和用户心智的变化，用户的兴趣会随着时间不断演化。 传统的CTR预估把用户行为直接表示为兴趣，缺少在具体行为背后的隐式兴趣，而且很少有工作考虑兴趣的演化。 DIEN设计了一个兴趣抽取层捕捉了用户历史行为的兴趣，在这层中提出了一个辅助lo...
DIEN: 阿里点击率预估之深度兴趣进化网络
雨石
10-28 1760
广告推荐算法系列文章： 莫比乌斯: 百度的下一代query-ad匹配算法 百度凤巢分布式层次GPU参数服务器架构 DIN: 阿里点击率预估之深度兴趣网络 基于Delaunay图的快速最大内积搜索算法 DIEN: 阿里点击率预估之深度兴趣进化网络 EBR: Facebook基于向量的检索 阿里巴巴电商推荐之十亿级商品embedding Overall 这篇文章所介绍的模型，用于在用户没有输入搜索词来表达意图的时候，给用户推荐商品的场景。这里的收费方式一般是CPC，即Cost per Click，每次点击收
DIEN——biji
wang2008start的专栏
05-20 385
是 DIN 的升级版，共分为三层，用户行为层，用户兴趣抽取层，用户兴趣演化层. 用户行为层 用户兴趣抽取层 为了将用户兴趣学习的更加充分，加入了额外 loss，h(t)和e(t+1),e(t+1)`，构建正负样本，类似于多目标的学习。 用户兴趣演化层 为了学习用户和候选item的关系，加入了 attention 机制，Attention + GRU的实现这里给了三种方法： GRU with attentional input(AIGRU): 将抽取层的 h_t 与 weight 相乘直接作为 演化层 G.
Deep Interest Evolution Network(DIEN)专题2:代码解析之样本数据处理
fangfanglovezhou的博客
02-15 954
源代码git地址： https://github.com/mouna99/dien
推荐系统代码: DIEN
wxgaws的博客
10-14 520
tf.name_scope?
120分钟吃掉DIEN深度兴趣演化网络
Python_Ai_Road的博客
07-08 1450
阿里妈妈在CTR预估领域有3篇比较有名的文章。2017年的深度兴趣网络, DIN(DeepInterestNetwork)。2018年的深度兴趣演化网络, DIEN(DeepInterestEvolutionNetWork)。2019年的深度会话兴趣网络, DSIN(DeepSessionInterestNetWork)。这3篇文章的主要思想和相互关系用一句话分别概括如下...
Deep Interest Evolution Network(DIEN)专题3:代码解析之模型训练和模型结构
fangfanglovezhou的博客
02-17 2103
import numpy from data_iterator import DataIterator import tensorflow as tf from model import * import time import random import sys from utils import * EMBEDDING_DIM = 18 HIDDEN_SIZE = 18 * 2 ATTENTION_SIZE = 18 * 2 best_auc = 0.0 def prepare_data(inpu.
阿里DIEN整体代码结构
Harrytsz的博客
09-19 924
目录 [论文解读] 阿里DIEN整体代码结构 0x00 摘要 0x01 文件简介 0x02 总体架构 0x03 总体代码 0x04 模型基类 4.1 基本逻辑 4.2 模块分析 4.2.1 构建变量 4.2.2 构建embedding 4.2.3 拼接embedding 0x05 Model_DIN_V2_Gru_Vec_attGru_Neg 5.1 第一层 ‘rnn_1’ 5.1.1 GRU 5.1.2 辅助损失 5.1.3 mask的作用 Padding Mask Sequence
华为AI计算框架昇思MindSpore零基础快速入门 (上)
Echo-26的博客！
05-31 8433
哔哩哔哩：https://www.bilibili.com/video/BV1CS4y1z72r?spm_id_from=333.999.0.0 Gitee：https://gitee.com/mindspore GitHub：https://github.com/mindspore-ai 官方QQ群：486831414 公众号：MindSpore 小助手微信：mindspore0328
Deep Interest Evolution Network(DIEN)专题1:论文解析Deep Interest Evolution Network for Click-Through Rate
fangfanglovezhou的博客
01-19 1355
算法概述 Deep Interest Evolution Network(DIEN)是在Deep Interest Network(DIN)基础上的改进方法，其初衷是为了解决当前CTR预估中存在的一些问题： 1.大多数的方法缺少兴趣模型，直接把用户的行为当作用户的兴趣，缺少对具体行为背后隐含的兴趣做模型化处理； 2.用户的兴趣在不断发生变化，之前的大多数方法缺少对用户兴趣变化趋势的思考。 DIEN通过设计兴趣提取层（Interest Extractor Layer）来获取用户历史行为的兴趣，通过在.
dien模型
最新发布
04-01
### 深度兴趣演化网络（DIEN）模型概述 深度兴趣演化网络（Deep Interest Evolution Network, DIEN）是一种专门用于提升点击率（CTR）预测性能的深度学习模型。该模型的核心在于捕捉用户的动态兴趣变化并对其进行建模，从而更精准地预测用户的行为倾向。 #### 1. **DIEN 的背景与动机** 在推荐系统领域，传统的 CTR 预测方法通常基于静态特征表示，无法有效应对用户兴趣随时间演化的复杂性。DIEN 提出了两个关键模块——**兴趣提取层（Interest Extractor Layer）** 和 **兴趣演化层（Interest Evolving Layer）** 来解决这一问题[^2]。这些模块能够更好地捕获用户的历史行为序列中的短期和长期兴趣，并通过 GRU 结构进一步增强对目标项目的关注。 --- #### 2. **DIEN 架构详解** ##### （1）输入层 DIEN 的输入主要由两部分组成： - 用户历史行为序列 $ \{h_1, h_2, ..., h_n\} $ 表示用户过去的交互记录。 - 当前候选物品 $ x_t $ 是待评估的目标商品或广告。 ##### （2）兴趣提取层 兴趣提取层利用带有时序关系的兴趣抽取器来生成用户兴趣向量集合。具体来说，此阶段采用了一个改进版的 GRU 单元，称为 **AUGRU（Attention-based Update Gate Recurrent Unit）**，它可以自适应调整隐藏状态更新的程度，使得模型更加专注于那些与当前目标高度相关的兴趣点[^4]。 ##### （3）兴趣演化层 为了模拟用户兴趣的变化轨迹，DIEN 设计了兴趣演化层。在此过程中引入了一种特殊的注意机制，即 **辅助损失函数驱动的注意力计算方式**，这不仅提高了模型对于重要事件的关注能力，还减少了无关噪声带来的干扰影响[^5]。 最终输出经过全连接神经网络映射至概率空间完成二分类任务。 --- ### Python 实现代码片段 以下是基于 TensorFlow/Keras 的简化版本实现： ```python import tensorflow as tf from tensorflow.keras.layers import Input, Dense, Embedding, Concatenate, Dropout from tensorflow.keras.models import Model from tensorflow.keras.regularizers import l2 def AUGRU(units): """定义 Attention-based Update Gate Recurrent Unit""" def __call__(self, inputs, states, attention_score=None): xt = inputs ht_minus_1 = states[0] zt = tf.sigmoid(tf.matmul(xt, self.Wz) + tf.matmul(ht_minus_1, self.Uz)) rt = tf.sigmoid(tf.matmul(xt, self.Wr) + tf.matmul(ht_minus_1, self.Ur)) candidate_ht = tf.tanh( tf.matmul(xt, self.Wh) + tf.multiply(rt, tf.matmul(ht_minus_1, self.Uh)) * attention_score[:, None] ) ht = (1 - zt) * ht_minus_1 + zt * candidate_ht return ht, [ht] class DIEN(Model): def __init__(self, num_users, num_items, embedding_dim=64, hidden_units=128): super(DIEN, self).__init__() self.user_embedding = Embedding(num_users, embedding_dim) self.item_embedding = Embedding(num_items, embedding_dim) self.gru_layer = tf.keras.layers.GRU(hidden_units, return_sequences=True) self.augru_layer = AUGRU(hidden_units) self.dense_output = Dense(1, activation='sigmoid') def call(self, inputs): user_ids, item_seq, target_item = inputs # 嵌入操作 seq_embeddings = self.item_embedding(item_seq) target_emb = self.item_embedding(target_item) # 兴趣提取层 gru_out = self.gru_layer(seq_embeddings) # 计算注意力分数 att_scores = tf.nn.softmax(tf.reduce_sum(gru_out * target_emb[:,None,:], axis=-1), axis=1) # 利用 AUGRU 更新状态 augru_outputs = [] state = tf.zeros_like(gru_out[:,0]) for t in range(gru_out.shape[1]): output, state = self.augru_layer(gru_out[:,t:t+1], initial_state=[state], attention_score=att_scores[:,t]) augru_outputs.append(output) final_interests = tf.concat(augru_outputs, axis=1) # 输出层 concat_input = Concatenate()([final_interests[:,-1], target_emb]) logits = self.dense_output(concat_input) return logits ``` 上述代码展示了如何构建一个基础框架下的 DIEN 模型结构，其中包含了 AUGRU 层的设计思路以及整体流程逻辑[^3]。 --- ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

傻fufu滴人儿～

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值