Puiching-Memory/TAAC_2026

解决的问题

该项目提供了一个开箱即用、可扩展的实验性工作区，专为大规模推荐系统设计。其核心目标是解决传统上由不同架构分别处理的挑战：序列建模（捕捉用户随时间的行为）与特征交互（高维稀疏特征的交叉），实现两者的统一。

工作原理

该工作区采用统一的建模范式，使用单一架构同时处理用户行为序列和非序列多领域特征，以实现转化率预测。它提供了一条流畅的流水线，包括：

• 模型集成：通过添加两个文件（__init__.py 和 model.py）即可引入新模型，并通过一行代码轻松切换。
• 数据流水线：基于 Parquet 的分步流式处理管道，支持高效读取，提供五种缓存策略及多种数据增强技术（序列截断、领域级丢弃、特征掩码）。
• 硬件优化：支持多种 GPU 内核（Triton、TileLang、torch）用于 RMSNorm、LayerNorm 和 FlashAttention 等操作。
• 部署工具：提供打包训练与推理组件的工具，便于提交至平台。

适用人群

专注于推荐系统的研究人员和开发者，特别是参与或研究 TAAC 2026 竞赛中关于统一序列建模与特征交互的课题者。

主要亮点

• 多模型支持：包含 Baseline、InterFormer、OneTrans、TokenFormer、Symbiosis、DualQ 和 QueryFormer 的实现。
• 高性能内核：集成 Triton 和 TileLang 支持，优化 GPU 性能。
• HuggingFace 集成：可通过 huggingface-cli 轻松下载示例数据集。
• 全面工具链：包含 CI 门禁、分层测试（单元、契约、集成、基准、GPU）以及通过 Zensical 自动生成文档。