【论文复现赛】第六期冠军项目-MetaHeac-推荐系统

本文复现论文提出的MetaHeac模型，基于PaddlePaddle 2.3.0框架，在腾讯Look-alike数据集上进行，解决look-alike建模挑战，复现AUC达0.7112，还介绍了数据集、环境、步骤、代码结构及复现心得。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

论文复现-MetaHeac

一、简介

在推荐系统和广告平台上，营销人员总是希望通过视频或者社交等媒体渠道向潜在用户推广商品、内容或者广告。扩充候选集技术（Look-alike建模）是一种很有效的解决方案，但look-alike建模通常面临两个挑战：（1）一家公司每天可以开展数百场营销活动，以推广完全不同类别的各种内容。（2）某项活动的种子集只能覆盖有限的用户，因此一个基于有限种子用户的定制化模型往往会产生严重的过拟合。为了解决以上的挑战，论文《Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertising》提出了一种新的两阶段框架Meta Hybrid Experts and Critics (MetaHeac)，采用元学习的方法训练一个泛化初始化模型，从而能够快速适应新类别内容推广任务。

MetaHeac训练流程如下：         

模型核心结构如下：         

为了复现文献中的实验结果，本项目基于paddlepaddle深度学习框架，并在Lookalike数据集上进行训练和测试。

论文 ：

• [1] Yongchun Zhu, Yudan Liu, Ruobing Xie, Fuzhen Zhuang, Xiaobo Hao, Kaikai Ge, Xu Zhang, Leyu Lin, Juan Cao. Learning to Expand Audience via Meta Hybrid Experts and Critics for Recommendation and Advertising

项目参考 ： https://github.com/easezyc/MetaHeac

二、复现精度

基于paddlepaddle深度学习框架，对文献MetaHeac进行复现后，测试精度如下表所示。

超参数配置如下表所示：

三、数据集

本项目使用的是Tencent Look-alike Dataset,该数据集包含几百个种子人群、海量候选人群对应的用户特征，以及种子人群对应的广告特征。出于业务数据安全保证的考虑，所有数据均为脱敏处理后的数据。本次复现使用处理过的数据集，直接下载propocessed data。

数据集链接： https://paddlerec.bj.bcebos.com/datasets/lookalike/Lookalike_data.rar

笔目鱼英文论文写作器

写高质量英文论文，就用笔目鱼

87

查看详情

四、环境依赖

• 硬件：
  • x86 cpu
  • NVIDIA GPU
• 框架：
  • PaddlePaddle == 2.3.0

五、快速开始

# step1： 确认您当前所在目录为PaddleRec/models/multitask/metaheac %cd PaddleRec/models/multitask/metaheac

/home/aistudio/PaddleRec/models/multitask/metaheac

# step2： 进入paddlerec/datasets/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Lookalike全量数据集，并解压到指定文件夹。%cd ../../../datasets/Lookalike
!sh run.sh

# step3： train%cd ../../models/multitask/metaheac/ 
!python -u ../../../tools/trainer.py -m config_big.yaml

# step4： infer 此时test数据集为hot!python -u ./infer_meta.py -m config_big.yaml

# step5：修改config_big.yaml文件中test_data_dir的路径为cold!python -u ./infer_meta.py -m config_big.yaml

├── data #样例数据
    ├── train #训练数据
        ├── train_stage1.pkl
    ├── test #测试数据
        ├── test_stage1.pkl
        ├── test_stage2.pkl
├── net.py # 核心模型组网├── config.yaml # sample数据配置├── config_big.yaml # 全量数据配置├── dygraph_model.py # 构建动态图├── reader_train.py # 训练数据读取程序├── reader_test.py # infer数据读取程序├── readme.md #文档

以上就是【论文复现赛】第六期冠军项目-MetaHeac-推荐系统的详细内容，更多请关注php中文网其它相关文章！