Puiching-Memory/TAAC_2026

何を解決するか

このプロジェクトは、大規模な推薦システム向けのエンジニアリングワークスペースを提供し、特に時間経過に伴うユーザー行動のシーケンスモデリングと高次元スパース特徴の特徴相互作用を統合する課題に焦点を当てています。断片化されたアーキテクチャから脱却し、コンバージョン率予測のためのユーザー行動シーケンスと非シーケンシャルなマルチドメイン特徴の両方を1つのフレームワークでモデル化することを目指しています。

仕組み

ワークスペースは、さまざまな推薦モデルを実験するためのモジュール式パイプラインを実装しています。Parquetファイルに基づくストリーミングデータパイプラインを用い、複数のキャッシュ戦略をサポートし、RMSNormやFlashAttentionなどの演算にTriton、TileLang、PyTorchなどのさまざまなGPUカーネルを活用できます。このシステムでは、共有のデータパイプラインと評価プロセスを用いて、Baseline、InterFormer、OneTrans、TokenFormer、Symbiosis、DualQ、QueryFormerなどの異なるモデルアーキテクチャを素早く切り替えることが可能です。

対象ユーザー

推薦システムの研究者や開発者、特にTAAC 2026コンペティション（統一されたシーケンスモデリングと特徴相互作用に焦点を当てた）に参加している人や、その研究に取り組んでいる人向けに設計されています。

特徴

• 迅速な実験: 新しいモデルは __init__.py と model.py の2つのファイルのみで統合できます。
• 高性能カーネル: 推論および学習の最適化のため、torch、Triton、TileLangなどの複数のGPUバックエンドをサポートします。
• 統一されたアーキテクチャ: シーケンスと特徴相互作用のギャップを埋めるために、複数の最先端の統一モデリングアプローチを実装しています。
• エンジニアリングの厳格さ: 完全なCIカバレッジ、階層的なテスト（ユニット、コントラクト、統合、ベンチマーク、GPU）、デプロイ用の自動バンドルを含みます。