关于腾讯广告算法大赛2025项目分析3-重读

一、初始化

1.1 数据处理：MyDataset类

1. 实例化 _init_
2. DataLoader：batch 化和并行加载
   train_loader = DataLoader（dataset, batch_size=args.batch_size,shuffle=True, num_workers=12,collate_fn=dataset.collate_fn）
   对MyDataset类的函数调用顺序：
   len→\rightarrow→getitem ( load_user_data→\rightarrow→random_neq→\rightarrow→get_time_diff_bin)→\rightarrow→collate_fn
3. 数据集self.
   • self.data_dir 文件夹路径，self.data_file_path文件seq.jsonl路径
   • self.seq_offsets 文件seq.jsonl每一行的起始文件指针位置偏移
   • self.maxlen 最大序列长度
   • self.mm_emb_ids 多模态特征ID汇总
   • self.itemnum用户数，self.usernum物品数
   • 字典：self.item_feat_dict物品静态特征，self.mm_emb_dict多模态嵌入embedding，
     self.indexer索引映射（用户id,物品id,特征值映射），self.indexer_i_rev反查字典，self.indexer_u_rev
   • 特征： feat_default_value:特征缺省值，feat_types特征总字典，feat_statistics特征不同类型数量
     
4. 一条数据格式：[seq序列ID,pos正样本ID(下一个真实访问的item),neg,token_type 序列类型：用户/物品,next_token_type,seq_feat序列特征,pos_feat正样本特征,neg_feat]
5. batch：[seq, pos, neg, token_type, next_token_type, next_action_type, seq_feat, pos_feat, neg_feat, time_feat]
   • seq：[seq1,seq2,…,seqnseq_1,seq_2,…,seq_nseq1​,seq2​,…,seqn​]，由n个用户组成
   • time_feat：[weekday,is_weekend,hour_feat,day_of_year,week_of_year,time_deltas,action_type]
   • seq,pos,neg_feat：全部处理成[batch,maxseqlen] 的二维或者三维 tensor

1.2 模型：BaselineModel类

1.2.1 初始化

1. 全局配置：self.user_num，self.item_num，self.dev，self.norm_first，self.maxlen
2. ID Embedding：self.item_emb,self.user_emb
3. 位置编码：self.pos_emb
4. HSTU 主干-Transformer(变式)：
   • self.emb_dropout，self.emb_layernorm
   • 特征embedding容器：self.sparse_emb离散特征，self.emb_transform连续特征
   • 主干网络容器：self.attention_layers，self.attention_layernorms，self.forward_layers，self.forward_layernorms
5. 按特征类型分组产生不同的字典，方便声明稀疏特征的Embedding Table：self.USER_SPARSE_FEAT/USER_CONTINUAL_FEAT/ITEM_SPARSE_FEAT/ITEM_CONTINUAL_FEAT/USER_ARRAY_FEAT/ITEM_ARRAY_FEAT/ITEM_EMB_FEAT
6. user/item特征拼接 -> DNN投影层
7. 序列建模主干：多层 HSTU + FFN

main中初始化赋值
8. 初始化所有参数
- user_emb，item_emb：全零化处理
- 其他：xavier_normal
9. 所有emb权重 padding 位置（第0行）清零

1.3 优化器：AdamW

1.4 权重衰减：args.l2_emb

1.5 学习率策略：warmup + cosine decay

2 训练

model.train：将模式设置为训练模式
从 dataloader 依次取不同的batch

2.2 model.forward

2.3 计算损失：infonce_loss

2.4 记录日志

2.5 反向传播

2.6 更新参数

3 细节处理

1. torch.nn.
   • Embedding升维：从 ID 变成向量 ，矩阵形状(B,L)→(B,L,D)(B, L) \rightarrow (B, L, D)(B,L)→(B,L,D)
   • Dropout随机丢弃：部分元素变 0，其余放大1/(1-p)
   • RMSNorm均方根归一化：对输入特征进行缩放
   • ModuleDict层字典容器：按Key灵活调用不同的模块→\rightarrow→选择
   • ModuleList层列表容器：像 Python 列表一样存储子模块，但会向 PyTorch 注册参数→\rightarrow→顺序执行
   • Linear: