multi_tower.md

MultiTower

简介

• 多塔模型效果比单塔模型有明显的提升
• 不采用FM，所以embedding可以有不同的dimension。

模型配置

model_config: {
  model_class: 'MultiTower'
  feature_groups: {
    group_name: 'user'
    feature_names: 'user_id'
    feature_names: 'cms_segid'
    ...
    feature_names: 'new_user_class_level'
    wide_deep: DEEP
  }
  feature_groups: {
    group_name: 'item'
    feature_names: 'adgroup_id'
    feature_names: 'cate_id'
    ...
    feature_names: 'price'
    wide_deep: DEEP
  }
  feature_groups: {
    group_name: 'combo'
    feature_names: 'pid'
    feature_names: 'tag_category_list'
    feature_names: 'tag_brand_list'
    wide_deep: DEEP
  }

  multi_tower {
    towers {
      input: "user"
      dnn {
        hidden_units: [256, 128, 96, 64]
      }
    }
    towers {
      input: "item"
      dnn {
        hidden_units: [256, 128, 96, 64]
      }
    }
    towers {
      input: "combo"
      dnn {
        hidden_units: [128, 96, 64, 32]
      }
    }
    final_dnn {
      hidden_units: [128, 96, 64, 32, 16]
    }
    l2_regularization: 1e-6
  }
  embedding_regularization: 1e-4
}

• feature_groups: 不同的特征组，如user feature为一组，item feature为一组, combo feature为一组
  • group_name: 可以根据实际情况取
  • wide_deep: 必须是DEEP
• towers:
  • 每个feature_group对应了一个tower, tower的input必须和feature_groups的group_name对应
  • dnn: 深度网络
    • hidden_units: 定义不同层的channel数目，即神经元数目
• final_dnn 整合towers和din_towers的输入
  • hidden_units: dnn每一层的channel数目，即神经元的数目
• l2_regularization: L2正则，防止overfit
• embedding_regularization: embedding的L2正则

示例config

multi_tower_demo.config

参考论文

自研模型，暂无参考论文