以下是本例的简要目录结构及说明：
├── data
├── sample_data
├── sample_feat_input.pkl
├── sample_label.pkl
├── sample_sess_input.pkl
├── sample_session_length.pkl
├── __init__.py
├── readme.md # 文档
├── config.yaml # sample数据配置
├── config_bigdata.yaml # 全量数据配置
├── net.py # 模型核心组网（动静统一）
├── sequence_layers.py # 模型组网模块
├── dsin_reader.py # 数据读取程序
├── static_model.py # 构建静态图
├── dygraph_model.py # 构建动态图
模型主要聚焦于用户的历史会话行为，通过Self-Attention和BiLSTM对历史会话行为进行学习，最后通过Activation Unit得到最终的session表征向量，再结合其他特征送入MLP计算最后的ctr score。Deep Session Interest Network for Click-Through Rate Prediction文章通过 Transformer 和 BiLSTM 来学习用户的 Session Interest Interacting，提升模型的表达能力。知乎解析看这里
本模型使用论文中的数据集Alimama Dataset，参考原文作者的数据预处理过程对数据进行处理。
PaddlePaddle == 2.2.2
python 3.7.4
os : windows/linux/macos
本文提供了样例数据可以供您快速体验，在任意目录下均可执行。在DSIN模型目录的快速执行命令如下：
# 进入模型目录
# cd models/rank/dsin # 在任意目录均可运行
# 动态图训练
python -u ../../../tools/trainer.py -m config.yaml # 全量数据运行config_bigdata.yaml
# 动态图预测
python -u ../../../tools/infer.py -m config.yaml
# 静态图训练
python -u ../../../tools/static_trainer.py -m config.yaml # 全量数据运行config_bigdata.yaml
# 静态图预测
python -u ../../../tools/static_infer.py -m config.yaml 论文Deep Session Interest Network for Click-Through Rate Prediction中的网络结构如图所示:
为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。
在全量数据下模型的指标如下：
| 模型 | auc | batch_size | epoch_num | Time of each epoch |
|---|---|---|---|---|
| DSIN | 0.6356 | 4096 | 1 | 约10分钟 |
- 确认您当前所在目录为PaddleRec/models/rank/dsin
- 进入paddlerec/datasets/Ali_Display_Ad_Click_DSIN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Alimama全量数据集，并解压到指定文件夹。若您希望从原始数据集自行处理，请详见该目录下的readme。
cd ../../../datasets/Ali_Display_Ad_Click_DSIN
sh run.sh- 切回模型目录,执行命令运行全量数据
cd - # 切回模型目录
# 动态图训练
python -u ../../../tools/trainer.py -m config_bigdata.yaml # 全量数据运行config_bigdata.yaml
python -u ../../../tools/infer.py -m config_bigdata.yaml # 全量数据运行config_bigdata.yaml效果复现过程可参考AI Studio项目。
Note:运行环境为至尊GPU。