Skip to content

Latest commit

 

History

History
157 lines (138 loc) · 4.49 KB

aitm.md

File metadata and controls

157 lines (138 loc) · 4.49 KB
Raw

AITM

简介

在推荐场景里，用户的转化链路往往有多个中间步骤（曝光->点击->转化），AITM是一种多任务模型框架，充分利用了链路上各个节点的样本，提升模型对后端节点转化率的预估。

AITM

  1. (a) Expert-Bottom pattern。如 MMoE
  2. (b) Probability-Transfer pattern。如 ESMM
  3. (c) Adaptive Information Transfer Multi-task (AITM) framework.

两个特点：

  1. 使用Attention机制来融合多个目标对应的特征表征；
  2. 引入了行为校正的辅助损失函数。

配置说明

model_config {
  model_name: "AITM"
  model_class: "MultiTaskModel"
  feature_groups {
    group_name: "all"
    feature_names: "user_id"
    feature_names: "cms_segid"
    ...
    feature_names: "tag_brand_list"
    wide_deep: DEEP
  }
  backbone {
    blocks {
      name: "share_bottom"
      inputs {
        feature_group_name: "all"
      }
      keras_layer {
        class_name: 'MLP'
        mlp {
          hidden_units: [512, 256]
        }
      }
    }
    blocks {
      name: "ctr_tower"
      inputs {
        block_name: "share_bottom"
      }
      keras_layer {
        class_name: 'MLP'
        mlp {
          hidden_units: 128
        }
      }
    }
    blocks {
      name: "cvr_tower"
      inputs {
        block_name: "share_bottom"
      }
      keras_layer {
        class_name: 'MLP'
        mlp {
          hidden_units: 128
        }
      }
    }
    blocks {
      name: "cvr_aitm"
      inputs {
        block_name: "cvr_tower"
      }
      inputs {
        block_name: "ctr_tower"
      }
      merge_inputs_into_list: true
      keras_layer {
        class_name: "AITMTower"
        aitm {
          transfer_mlp {
            hidden_units: 128
          }
        }
      }
    }
    output_blocks: ["ctr_tower", "cvr_aitm"]
  }
  model_params {
    task_towers {
      tower_name: "ctr"
      label_name: "clk"
      loss_type: CLASSIFICATION
      metrics_set: {
        auc {}
      }
      dnn {
        hidden_units: 64
      }
      weight: 1.0
    }
    task_towers {
      tower_name: "cvr"
      label_name: "buy"
      losses {
        loss_type: CLASSIFICATION
      }
      losses {
        loss_type: ORDER_CALIBRATE_LOSS
      }
      metrics_set: {
        auc {}
      }
      dnn {
        hidden_units: 64
      }
      weight: 1.0
    }
    l2_regularization: 1e-6
  }
  embedding_regularization: 5e-6
}

  • model_name: 任意自定义字符串，仅有注释作用

  • model_class: 'MultiTaskModel', 不需要修改, 通过组件化方式搭建的多目标排序模型都叫这个名字

  • feature_groups: 配置一组特征。

  • 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
    • 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
    • mlp: MLP模型的参数，详见参考文档
    • cvr_aitm: AITMTower组件，该组件块的input的顺序不能乱写，第一个input必须是当前tower的输入，后续的inputs是依赖的前驱模块
    • output_blocks: backbone的输出tensor列表，顺序必须与下面model_params里配置的任务tower一致

  • model_params: 多目标建模相关的参数

    • task_towers 根据任务数配置task_towers
      • tower_name
      • 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
      • 默认为二分类任务，即num_class默认为1，weight默认为1.0，loss_type默认为CLASSIFICATION，metrics_set为auc
      • loss_type: ORDER_CALIBRATE_LOSS 使用目标依赖关系校正预测结果的辅助损失函数，详见原始论文
      • 注：label_fields需与task_towers一一对齐。
    • embedding_regularization: 对embedding部分加regularization，防止overfit

示例Config

参考论文

AITM: Modeling the Sequential Dependence among Audience Multi-step Conversions with Multi-task Learning in Targeted Display Advertising