以下是本例的简要目录结构及说明：
├── data #样例数据
│ ├── demo #demo训练数据
│ │ └── demo.txt
│ └── valid #demo测试数据
│ └── part-0
├── config.yaml #demo数据配置
├── config_bigdata.yaml #全量数据配置
├── infer.py #评测动态图
├── dygraph_model.py #构建动态图
├── mind_reader.py #训练数据reader
├── mind_infer_reader.py #评测数据reader
├── net.py #模型核心组网（动静合一）
├── static_infer.py #评测静态图
└── static_model.py #构建静态图
注：在阅读该示例前，建议您先了解以下内容：
本例实现了基于动态路由的用户多兴趣网络，如下图所示：
Multi-Interest Network with Dynamic Routing (MIND) 是通过构建用户和商品向量在统一的向量空间的多个用户兴趣向量，以表达用户多样的兴趣分布。然后通过向量召回技术，利用这多个兴趣向量去检索出TopK个与其近邻的商品向量，得到 TopK个 用户感兴趣的商品。其核心是一个基于胶囊网络和动态路由的（B2I Dynamic Routing）Multi-Interest Extractor Layer。
推荐参考论文:http://cn.arxiv.org/abs/1904.08030
在模型目录的data目录下为您准备了快速运行的示例数据，训练数据、测试数据、词表文件依次保存在data/train, data/test文件夹中。若需要使用全量数据可以参考下方效果复现部分。
训练数据的格式如下：
0,17978,0
0,901,1
0,97224,2
0,774,3
0,85757,4
分别表示uid、item_id和点击的顺序(时间戳)
测试数据的格式如下：
user_id:487766 target_item:0 hist_item:17784 hist_item:126 hist_item:36 hist_item:124 hist_item:34 hist_item:1 hist_item:134 hist_item:6331 hist_item:141 hist_item:4336 hist_item:1373 eval_item:1062 eval_item:867 eval_item:62
user_id:487793 target_item:0 hist_item:153428 hist_item:132997 hist_item:155723 hist_item:66546 hist_item:335397 hist_item:1926 eval_item:1122 eval_item:10105
user_id:487805 target_item:0 hist_item:291025 hist_item:25190 hist_item:2820 hist_item:26047 hist_item:47259 hist_item:36376 eval_item:260145 eval_item:83865
user_id:487811 target_item:0 hist_item:180837 hist_item:202701 hist_item:184587 hist_item:211642 eval_item:101621 eval_item:55716
user_id:487820 target_item:0 hist_item:268524 hist_item:44318 hist_item:35153 hist_item:70847 eval_item:238318
user_id:487825 target_item:0 hist_item:35602 hist_item:4353 hist_item:1540 hist_item:72921 eval_item:501
其中hist_item和eval_item均是变长序列，读取方式可以看mind_infer_reader.py
PaddlePaddle>=2.0
python 2.7/3.5/3.6/3.7
os : linux/macos
在mind模型目录的快速执行命令如下：
# 安装faiss
# CPU
pip install faiss-cpu
# GPU
# pip install faiss-gpu
# 进入模型目录
# cd models/recall/mind # 在任意目录均可运行
# 动态图训练
python -u ../../../tools/trainer.py -m config.yaml
# 动态图预测
python -u infer.py -m config.yaml -top_n 50 #对测试数据进行预测，并通过faiss召回候选结果评测Reacll、NDCG、HitRate指标
# 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 static_infer.py -m config.yaml -top_n 50 #对测试数据进行预测，并通过faiss召回候选结果评测Reacll、NDCG、HitRate指标
细节见上面模型简介部分
由于原始论文没有提供实验的复现细节，为了方便使用者能够快速的跑通每一个模型，我们使用论文ComiRec提供的AmazonBook数据集和训练任务进行复现。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 | batch_size | epoch_num | Recall@50 | NDCG@50 | HitRate@50 | Time of each epoch |
|---|---|---|---|---|---|---|
| mind(paddle实现) | 128 | 50 | 5.52% | 4.31% | 11.49% | 356.43s(CPU) |
- 确认您当前所在目录为PaddleRec/models/recall/mind
- 进入paddlerec/datasets/AmazonBook目录下执行run.sh脚本，会下载处理完成的AmazonBook数据集，并解压到指定目录
cd ../../../datasets/AmazonBook
sh run.sh- 安装依赖，我们使用faiss来进行向量召回
# CPU-only version(pip)
pip install faiss-cpu
# GPU(+CPU) version(pip)
#pip install faiss-gpu
# CPU-only version(conda)
#conda install -c pytorch faiss-cpu
# GPU(+CPU) version(conda)
#conda install -c pytorch faiss-gpu- 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
python -u infer.py -m config_bigdata.yaml -top_n 50 # 全量数据运行config_bigdata数据集及训练任务参考了ComiRec