Puiching-Memory/TAAC_2026

해결하는 문제

이 프로젝트는 대규모 추천 시스템을 위한 엔지니어링 워크스페이스를 제공하며, 특히 시간에 따른 사용자 행동 시퀀스(시계열 모델링)와 고차원 희소 특징 간의 특징 상호작용을 통합하는 문제에 초점을 맞춥니다. 단편화된 아키텍처에서 벗어나, 전환율 예측을 위해 사용자 행동 시퀀스와 비시계열 다중 도메인 특징을 하나의 프레임워크로 모델링할 수 있도록 합니다.

작동 방식

워크스페이스는 다양한 추천 모델을 실험하기 위한 모듈식 파이프라인을 구현합니다. Parquet 파일 기반의 스트리밍 데이터 파이프라인을 사용하며, 여러 캐싱 전략을 지원하고 RMSNorm 및 FlashAttention과 같은 연산에 대해 Triton, TileLang, PyTorch 등의 다양한 GPU 커널을 지원합니다. 시스템은 공유된 데이터 파이프라인과 평가 프로세스를 통해 Baseline, InterFormer, OneTrans, TokenFormer, Symbiosis, DualQ, QueryFormer 등의 다양한 모델 아키텍처를 빠르게 전환할 수 있도록 합니다.

대상 사용자

추천 시스템을 개발하거나 연구하는 연구자 및 개발자, 특히 통합 시계열 모델링과 특징 상호작용에 초점을 맞춘 TAAC 2026 경진대회에 참여하거나 연구하는 사람들을 대상으로 합니다.

주요 특징

• 빠른 실험: 새로운 모델은 __init__.py와 model.py 두 파일만으로 통합할 수 있습니다.
• 고성능 커널: 추론 및 학습 최적화를 위해 torch, Triton, TileLang 등의 다양한 GPU 백엔드를 지원합니다.
• 통합 아키텍처: 시계열 모델링과 특징 상호작용 간의 격차를 메우기 위해 여러 최신 기술을 통합한 아키텍처를 구현합니다.
• 공학적 엄격성: 완전한 CI 커버리지, 단위, 계약, 통합, 벤치마크, GPU 테스트 등 계층적 테스트, 자동 번들링을 통한 배포를 포함합니다.