import pandas as pd import numpy as np from tqdm import tqdm import warnings, random, math, os from collections import namedtuple, OrderedDict import tensorflow as tf from tensorflow.keras.layers import * from tensorflow.keras.models import * import tensorflow.keras.backend as K from tensorflow.python.keras.initializers import (Zeros, glorot_normal, glorot_uniform) from tensorflow.python.keras.regularizers import l2 from sklearn.model_selection import train_test_split from sklearn.preprocessing import OneHotEncoder, MinMaxScaler, StandardScaler, LabelEncoder from utils import DenseFeat, SparseFeat, VarLenSparseFeat # 简单处理特征，包括填充缺失值，数值处理，类别编码 def data_process(data_df, dense_features, sparse_features): data_df[dense_features] = data_df[dense_features].fillna(0.0) for f in dense_features: data_df[f] = data_df[f].apply(lambda x: np.log(x+1) if x > -1 else -1) data_df[sparse_features] = data_df[sparse_features].fillna("-1") for f in sparse_features: lbe = LabelEncoder() data_df[f] = lbe.fit_transform(data_df[f]) return data_df[dense_features + sparse_features] # 构建输入层 # 将输入的数据转换成字典的形式，定义输入层的时候让输入层的name和字典中特征的key一致，就可以使得输入的数据和对应的Input层对应 def build_input_layers(feature_columns): """构建Input层字典，并以dense和sparse两类字典的形式返回""" dense_input_dict, sparse_input_dict = {}, {} for fc in feature_columns: if isinstance(fc, SparseFeat): sparse_input_dict[fc.name] = Input(shape=(1, ), name=fc.name, dtype=fc.dtype) elif isinstance(fc, DenseFeat): dense_input_dict[fc.name] = Input(shape=(fc.dimension, ), name=fc.name, dtype=fc.dtype) return dense_input_dict, sparse_input_dict # 构建embedding层 def build_embedding_layers(feature_columns, input_layer_dict, is_linear): # 定义一个embedding层对应的字典 embedding_layers_dict = dict() # 将特征中的sparse特征筛选出来 sparse_features_columns = list(filter(lambda x: isinstance(x, SparseFeat), feature_columns)) if feature_columns else [] # 如果是用于线性部分的embedding层，其维度是1，否则维度是自己定义的embedding维度 if is_linear: for fc in sparse_features_columns: embedding_layers_dict[fc.name] = Embedding(fc.vocabulary_size, 1, name='1d_emb_'+fc.name) else: for fc in sparse_features_columns: embedding_layers_dict[fc.name] = Embedding(fc.vocabulary_size, fc.embedding_dim, name='kd_emb_'+fc.name) return embedding_layers_dict # 将所有的sparse特征embedding拼接 def concat_embedding_list(feature_columns, input_layer_dict, embedding_layer_dict, flatten=False): # 将sparse特征筛选出来 sparse_feature_columns = list(filter(lambda x: isinstance(x, SparseFeat), feature_columns)) embedding_list = [] for fc in sparse_feature_columns: _input = input_layer_dict[fc.name] # 获取输入层 _embed = embedding_layer_dict[fc.name] # B x 1 x dim 获取对应的embedding层 embed = _embed(_input) # B x dim 将input层输入到embedding层中 # 是否需要flatten, 如果embedding列表最终是直接输入到Dense层中，需要进行Flatten，否则不需要 if flatten: embed = Flatten()(embed) embedding_list.append(embed) return embedding_list def get_dnn_output(dnn_input, hidden_units=[1024, 512, 256], dnn_dropout=0.3, activation='relu'): # 建立dnn_network dnn_network = [Dense(units=unit, activation=activation) for unit in hidden_units] dropout = Dropout(dnn_dropout) # 前向传播 x = dnn_input for dnn in dnn_network: x = dropout(dnn(x)) return x # 得到线性部分的计算结果, 即线性部分计算的前向传播逻辑 def get_linear_logits(dense_input_dict, sparse_input_dict, linear_feature_columns): """ 线性部分的计算，所有特征的Input层，然后经过一个全连接层线性计算结果logits 即FM线性部分的那块计算w1x1+w2x2+...wnxn + b,只不过，连续特征和离散特征这里的线性计算还不太一样 连续特征由于是数值，可以直接过全连接，得到线性这边的输出。 离散特征需要先embedding得到1维embedding，然后直接把这个1维的embedding相加就得到离散这边的线性输出。 :param dense_input_dict: A dict. 连续特征构建的输入层字典 形式{'dense_name': Input(shape, name, dtype)} :param sparse_input_dict: A dict. 离散特征构建的输入层字典 形式{'sparse_name': Input(shape, name, dtype)} :param linear_feature_columns: A list. 里面的每个元素是namedtuple(元组的一种扩展类型，同时支持序号和属性名访问组件)类型，表示的是linear数据的特征封装版 """ # 把所有的dense特征合并起来,经过一个神经元的全连接，做的计算 w1x1 + w2x2 + w3x3....wnxn concat_dense_inputs = Concatenate(axis=1)(list(dense_input_dict.values())) dense_logits_output = Dense(1)(concat_dense_inputs) # 获取linear部分sparse特征的embedding层，这里使用embedding的原因： # 对于linear部分直接将特征进行OneHot然后通过一个全连接层，当维度特别大的时候，计算比较慢 # 使用embedding层的好处就是可以通过查表的方式获取到非零元素对应的权重，然后将这些权重相加，提升效率 linear_embedding_layers = build_embedding_layers(linear_feature_columns, sparse_input_dict, is_linear=True) # 将一维的embedding拼接，注意这里需要一个Flatten层， 使维度对应 sparse_1d_embed = [] for fc in linear_feature_columns: # 离散特征要进行embedding if isinstance(fc, SparseFeat): # 找到对应Input层，然后后面接上embedding层 feat_input = sparse_input_dict[fc.name] embed = Flatten()(linear_embedding_layers[fc.name](feat_input)) sparse_1d_embed.append(embed) # embedding中查询得到的权重就是对应onehot向量中一个位置的权重，所以后面不用再接一个全连接了，本身一维的embedding就相当于全连接 # 只不过是这里的输入特征只有0和1，所以直接向非零元素对应的权重相加就等同于进行了全连接操作(非零元素部分乘的是1) sparse_logits_output = Add()(sparse_1d_embed) # 最终将dense特征和sparse特征对应的logits相加，得到最终linear的logits linear_part = Add()([dense_logits_output, sparse_logits_output]) return linear_part class CIN(Layer): def __init__(self, cin_size, l2_reg=1e-4): """ :param: cin_size: A list. [H_1, H_2, ....H_T], a list of number of layers """ super(CIN, self).__init__() self.cin_size = cin_size self.l2_reg = l2_reg def build(self, input_shape): # input_shape [None, field_nums, embedding_dim] self.field_nums = input_shape[1] # CIN 的每一层大小，这里加入第0层，也就是输入层H_0 self.field_nums = [self.field_nums] + self.cin_size # 过滤器 self.cin_W = { 'CIN_W_' + str(i): self.add_weight( name='CIN_W_' + str(i), shape = (1, self.field_nums[0] * self.field_nums[i], self.field_nums[i+1]), # 这个大小要理解 initializer='random_uniform', regularizer=l2(self.l2_reg), trainable=True ) for i in range(len(self.field_nums)-1) } super(CIN, self).build(input_shape) def call(self, inputs): # inputs [None, field_num, embed_dim] embed_dim = inputs.shape[-1] hidden_layers_results = [inputs] # 从embedding的维度把张量一个个的切开,这个为了后面逐通道进行卷积，算起来好算 # 这个结果是个list， list长度是embed_dim, 每个元素维度是[None, field_nums[0], 1] field_nums[0]即输入的特征个数 # 即把输入的[None, field_num, embed_dim]，切成了embed_dim个[None, field_nums[0], 1]的张量 split_X_0 = tf.split(hidden_layers_results[0], embed_dim, 2) for idx, size in enumerate(self.cin_size): # 这个操作和上面是同理的，也是为了逐通道卷积的时候更加方便，分割的是当一层的输入Xk-1 split_X_K = tf.split(hidden_layers_results[-1], embed_dim, 2) # embed_dim个[None, field_nums[i], 1] feild_nums[i] 当前隐藏层单元数量 # 外积的运算 out_product_res_m = tf.matmul(split_X_0, split_X_K, transpose_b=True) # [embed_dim, None, field_nums[0], field_nums[i]] out_product_res_o = tf.reshape(out_product_res_m, shape=[embed_dim, -1, self.field_nums[0]*self.field_nums[idx]]) # 后两维合并起来 out_product_res = tf.transpose(out_product_res_o, perm=[1, 0, 2]) # [None, dim, field_nums[0]*field_nums[i]] # 卷积运算 # 这个理解的时候每个样本相当于1张通道为1的照片 dim为宽度， field_nums[0]*field_nums[i]为长度 # 这时候的卷积核大小是field_nums[0]*field_nums[i]的, 这样一个卷积核的卷积操作相当于在dim上进行滑动，每一次滑动会得到一个数 # 这样一个卷积核之后，会得到dim个数，即得到了[None, dim, 1]的张量， 这个即当前层某个神经元的输出 # 当前层一共有field_nums[i+1]个神经元， 也就是field_nums[i+1]个卷积核，最终的这个输出维度[None, dim, field_nums[i+1]] cur_layer_out = tf.nn.conv1d(input=out_product_res, filters=self.cin_W['CIN_W_'+str(idx)], stride=1, padding='VALID') cur_layer_out = tf.transpose(cur_layer_out, perm=[0, 2, 1]) # [None, field_num[i+1], dim] hidden_layers_results.append(cur_layer_out) # 最后CIN的结果，要取每个中间层的输出，这里不要第0层的了 final_result = hidden_layers_results[1:] # 这个的维度T个[None, field_num[i], dim] T 是CIN的网络层数 # 接下来在第一维度上拼起来 result = tf.concat(final_result, axis=1) # [None, H1+H2+...HT, dim] # 接下来， dim维度上加和，并把第三个维度1干掉 result = tf.reduce_sum(result, axis=-1, keepdims=False) # [None, H1+H2+..HT] return result def xDeepFM(linear_feature_columns, dnn_feature_columns, cin_size=[128, 128]): # 构建输入层，即所有特征对应的Input()层，这里使用字典的形式返回，方便后续构建模型 dense_input_dict, sparse_input_dict = build_input_layers(linear_feature_columns+dnn_feature_columns) # 构建模型的输入层，模型的输入层不能是字典的形式，应该将字典的形式转换成列表的形式 # 注意：这里实际的输入预Input层对应，是通过模型输入时候的字典数据的key与对应name的Input层 input_layers = list(dense_input_dict.values()) + list(sparse_input_dict.values()) # 线性部分的计算逻辑 -- linear linear_logits = get_linear_logits(dense_input_dict, sparse_input_dict, linear_feature_columns) # 构建维度为k的embedding层，这里使用字典的形式返回，方便后面搭建模型 # 线性层和dnn层统一的embedding层 embedding_layer_dict = build_embedding_layers(linear_feature_columns+dnn_feature_columns, sparse_input_dict, is_linear=False) # DNN侧的计算逻辑 -- Deep # 将dnn_feature_columns里面的连续特征筛选出来，并把相应的Input层拼接到一块 dnn_dense_feature_columns = list(filter(lambda x: isinstance(x, DenseFeat), dnn_feature_columns)) if dnn_feature_columns else [] dnn_dense_feature_columns = [fc.name for fc in dnn_dense_feature_columns] dnn_concat_dense_inputs = Concatenate(axis=1)([dense_input_dict[col] for col in dnn_dense_feature_columns]) # 将dnn_feature_columns里面的离散特征筛选出来，相应的embedding层拼接到一块 dnn_sparse_kd_embed = concat_embedding_list(dnn_feature_columns, sparse_input_dict, embedding_layer_dict, flatten=True) dnn_concat_sparse_kd_embed = Concatenate(axis=1)(dnn_sparse_kd_embed) # DNN层的输入和输出 dnn_input = Concatenate(axis=1)([dnn_concat_dense_inputs, dnn_concat_sparse_kd_embed]) dnn_out = get_dnn_output(dnn_input) dnn_logits = Dense(1)(dnn_out) # CIN侧的计算逻辑， 这里使用的DNN feature里面的sparse部分,这里不要flatten exFM_sparse_kd_embed = concat_embedding_list(dnn_feature_columns, sparse_input_dict, embedding_layer_dict, flatten=False) exFM_input = Concatenate(axis=1)(exFM_sparse_kd_embed) exFM_out = CIN(cin_size=cin_size)(exFM_input) exFM_logits = Dense(1)(exFM_out) # 三边的结果stack stack_output = Add()([linear_logits, dnn_logits, exFM_logits]) # 输出层 output_layer = Dense(1, activation='sigmoid')(stack_output) model = Model(input_layers, output_layer) return model if __name__ == "__main__": # 读取数据 data = pd.read_csv('../data/criteo_sample.txt') # 划分dense和sparse特征 columns = data.columns.values dense_features = [feat for feat in columns if 'I' in feat] sparse_features = [feat for feat in columns if 'C' in feat] # 简单的数据预处理 train_data = data_process(data, dense_features, sparse_features) train_data['label'] = data['label'] # 将特征分组，分成linear部分和dnn部分(根据实际场景进行选择)，并将分组之后的特征做标记（使用DenseFeat, SparseFeat） linear_feature_columns = [SparseFeat(feat, vocabulary_size=data[feat].nunique(),embedding_dim=4) for i,feat in enumerate(sparse_features)] + [DenseFeat(feat, 1,) for feat in dense_features] dnn_feature_columns = [SparseFeat(feat, vocabulary_size=data[feat].nunique(),embedding_dim=4) for i,feat in enumerate(sparse_features)] + [DenseFeat(feat, 1,) for feat in dense_features] # 构建xDeepFM模型 model = xDeepFM(linear_feature_columns, dnn_feature_columns) model.summary() model.compile(optimizer="adam", loss="binary_crossentropy", metrics=["binary_crossentropy", tf.keras.metrics.AUC(name='auc')]) # 将输入数据转化成字典的形式输入 train_model_input = {name: data[name] for name in dense_features + sparse_features} # 模型训练 model.fit(train_model_input, train_data['label'].values, batch_size=64, epochs=5, validation_split=0.2, )