Puiching-Memory/TAAC_2026

解决的问题

该项目提供了一个面向大规模推荐系统的工程化工作空间，特别针对统一序列建模（用户随时间的行为）与特征交互（高维稀疏特征）的挑战。其目标是摆脱碎片化架构，提供一个统一框架，用于对用户行为序列和非序列多领域特征进行建模，以实现转化率预测。

工作原理

该工作空间实现了模块化流水线，用于实验各种推荐模型。它基于 Parquet 文件的流式数据流水线，支持多种缓存策略，并支持多种 GPU 内核（Triton、TileLang 和 PyTorch）用于 RMSNorm 和 FlashAttention 等操作。系统允许用户通过共享的数据流水线和评估流程，快速在 Baseline、InterFormer、OneTrans、TokenFormer、Symbiosis、DualQ 和 QueryFormer 等不同模型架构之间切换。

适用人群

专为从事推荐系统研究与开发的科研人员和开发者设计，特别是参与或研究 TAAC 2026 竞赛（聚焦统一序列建模与特征交互）的人群。

主要亮点

• 快速实验：仅需两个文件（__init__.py 和 model.py）即可集成新模型。
• 高性能内核：支持多种 GPU 后端（torch、Triton、TileLang），用于关键层以优化推理与训练。
• 统一架构：实现了多种前沿的统一建模方法，弥合序列建模与特征交互之间的差距。
• 工程严谨性：包含完整的 CI 覆盖、分层测试（单元、契约、集成、基准、GPU）以及自动化打包部署。