推荐系统（二十一）：基于MaskNet的商品推荐CTR模型实现

news2025/4/6 2:50:58

MaskNet 是微博团队 2021 年提出的 CTR 预测模型，相关论文：《MaskNet: Introducing Feature-Wise Multiplication to CTR Ranking Models by Instance-Guided Mask》。MaskNet 通过掩码自注意力机制，在推荐系统中实现了高效且鲁棒的特征交互学习，特别适用于需处理长序列及噪声数据的场景。其动态过滤与多层次交互的思想，为推荐模型设计提供了新方向。MaskNet 在 Twitter、阿里巴巴等巨头均有工业级应用实践。本文基于 MaskNet 实现一个CTR模型。

1.MaskNet 简介

1.1 核心思想

推荐系统的关键在于从用户行为（如点击、购买序列）和上下文特征中挖掘有效的特征交互。传统方法（如FM、DeepFM）依赖浅层交互或全连接网络，可能无法充分捕捉复杂的高阶模式，且容易受噪声干扰。MaskNet 的创新点在于：

动态特征过滤：通过掩码机制（如门控结构）区分重要与噪声交互，增强模型鲁棒性。
高效交互学习：利用自注意力并行计算优势，避免类似 CrossNetwork 的阶数限制。
多层次特征融合：堆叠多个掩码自注意力块，提取不同抽象层次的特征表示。

1.2 模型结构

MaskNet 主要包含以下模块：

a. 输入与嵌入层

输入包括用户行为序列、物品属性、上下文特征等，通过嵌入层转换为稠密向量。

b. 掩码自注意力块（Masked Self-Attention Block）

自注意力机制：计算特征间的注意力权重，捕捉全局依赖关系。
动态掩码：引入可学习的门控单元（如Sigmoid），生成0-1的掩码值，抑制不重要交互

c.前馈网络（FFN）

每个注意力块后接 FFN，增强非线性表达能力。

d. 特征聚合与预测

对不同层的输出进行拼接或加权求和，最后通过 MLP 输出预测分数（如点击率）。

1.3. 关键优势

抗噪声能力：掩码机制自动过滤低效交互，提升模型鲁棒性。
灵活的高阶交互：通过堆叠模块捕捉任意阶数特征组合，优于 DCN 等固定阶数模型。
计算高效：自注意力复杂度为 (O(n^2))，适用于中等长度序列，优于RNN的 (O(n^3))。

1.4 同类比较

MaskNet 在 Criteo、Avazu 等公开点击率预测数据集上表现优异，AUC提升显著。特别适用于用户行为序列较长的推荐场景（如电商、短视频推荐）。以下是 MaskNet 与几种典型方案的比较。
在这里插入图片描述

2.基于 MaskNet 的 CTR 模型实现

2.1 模拟数据生成

# ====================
# 1. 模拟数据生成
# ====================
def generate_mock_data(num_users=100, num_items=200, num_interactions=1000):
    """生成模拟用户、商品及交互数据"""
    # 设置随机种子保证可复现性
    np.random.seed(42)
    tf.random.set_seed(42)

    # 用户特征
    user_data = {
   
        'user_id': np.arange(1, num_users + 1),
        'user_age': np.random.randint(18, 65, size=num_users),
        'user_gender': np.random.choice(['male', 'female'], size=num_users),
        'user_occupation': np.random.choice(['student', 'worker', 'teacher'], size=num_users),
        'city_code': np.random.randint(1, 2856, size=num_users),
        'device_type': np.random.randint(0, 5, size=num_users)
    }

    # 商品特征
    item_data = {
   
        'item_id': np.arange(1, num_items + 1),
        'item_category': np.random.choice(['electronics', 'books', 'clothing'], size=num_items),
        'item_brand': np.random.choice(['brandA', 'brandB', 'brandC'], size=num_items),
        'item_price': np.random.randint(1, 199, size=num_items)
    }

    # 交互数据
    interactions = []
    for _ in range(num_interactions):
        user_id = np.random.randint(1, num_users + 1)
        item_id = np.random.randint(1, num_items + 1)
        # 点击标签。0: 未点击, 1: 点击。在真实场景中可通过客户端埋点上报获得用户的点击行为数据
        click_label = np.random.randint(0, 2)
        interactions.append([user_id, item_id, click_label])

    return user_data, item_data, interactions


# 生成数据
num_users = 100
num_items = 200
user_data, item_data, interactions = generate_mock_data(num_users, num_items, 1000)

2.2 合并、划分数据集

# ====================
# 2. 合并、划分数据集
# ====================
# 合并用户特征、商品特征和交互数据
interaction_df = pd.DataFrame(interactions, columns=['user_id', 'item_id', 'click_label'])
user_df = pd.DataFrame(user_data)
item_df = pd.DataFrame(item_data)
df = interaction_df.merge(user_df, on='user_id').merge(item_df, on='item_id')
# 划分数据集：训练集、测试集
labels = df[['click_label']]
features = df.drop(['click_label'], axis=1)
train_features, test_features, train_labels, test_labels = train_test_split(features, labels, test_size=0.2,
                                                                            random_state=42)

2.3 特征工程

# ====================
# 3. 特征工程
#
# 本部分对原始用户数据、商品数据、用户-商品交互数据进行分类处理，加工为模型训练需要的特征
#  1.数值型特征：如用户年龄、价格，少数场景下可直接使用，但最好进行标准化，从而消除量纲差异
#  2.类别型特征：需要进行 Embedding 处理
#  3.交叉特征：由于维度高，需要哈希技巧处理高维组合特征
# ====================
""" 
用户特征处理
"""
user_id = feature_column.categorical_column_with_identity('user_id', num_buckets=num_users + 1)
user_id_emb = feature_column.embedding_column(user_id, dimension=8)

scaler_age = StandardScaler()
df['user_age'] = scaler_age.fit_transform(df[['user_age']])
user_age = feature_column.numeric_column('user_age')

user_gender = feature_column.categorical_column_with_vocabulary_list('user_gender', ['male', 'female'])
user_gender_emb = feature_column.embedding_column(user_gender, dimension=2)

user_occupation = feature_column.categorical_column_with_vocabulary_list('user_occupation',
                                                                         ['student', 'worker', 'teacher'])
user_occupation_emb = feature_column.embedding_column(user_occupation, dimension=2)

city_code_column = feature_column.categorical_column_with_identity(key='city_code', num_buckets=2856)
city_code_emb = feature_column.embedding_column(city_code_column, dimension=8)

device_types_column = feature_column.categorical_column_with_identity(key='device_type', num_buckets=5)
device_types_emb = feature_column.embedding_column(device_types_column, dimension=8)

""" 
商品特征处理
"""
item_id = feature_column.categorical_column_with_identity('item_id', num_buckets=num_items + 1)
item_id_emb = feature_column.embedding_column(item_id, dimension=8)

scaler_price = StandardScaler()
df['item_price'] = scaler_price.fit_transform(df[[