以下是本例的简要目录结构及说明：
├── data #样例数据
├── sample_data #样例数据
├── sample_train_x.txt #训练数据样例
├── sample_train_y.txt #训练数据样例
├── __init__.py
├── config.yaml # sample数据配置
├── config_bigdata.yaml # 全量数据配置
├── criteo_reader.py #数据读取程序
├── dygraph_model.py # 构建动态图
├── metrics.py # 自定义评估指标
├── net.py # 模型核心组网
├── optimizer.py # 自定义优化器
├── trainer.py # 训练脚本
├── README.md #文档
├── trainer.py #训练入口
注：在阅读该示例前，建议您先了解以下内容：
Automatic Feature Interaction Selection in Factorization Models（点击率预测问题下因子分解机模型的自动特征交互选择模型）是华为在2020kdd上提出了新的CTR预估方法。论文指出，很多CTR预估算法都需要进行特征组合，但是传统的特征组合方式都是简单的暴力组合或者人工选择，人工选择的方式依赖于先验知识，而简单的暴力组合其实对模型的性能的提升并不总是有益的，有些组合方式其实对模型的性能提升并没有多少的帮助，甚至会损害模型的性能，而且大量无效的特征组合会形成很多的参数，降低内存的利用率。根据AutoML技术，提出AutoFIS，顾名思义，就是自动去找最佳的特征组合。
数据为Criteo，选择了第6-12天的数据作为训练集，第13天的数据测试集。正负样本采用后的比例约为1:1， 在模型目录的data目录下为您准备了快速运行的示例数据，若需要使用全量数据可以参考下方效果复现部分。
PaddlePaddle>=2.0
python 2.7/3.5/3.6/3.7
os : windows/linux/macos
本文提供了样例数据可以供您快速体验，在任意目录下均可执行。在autofis模型目录的快速执行命令如下：
# 进入模型目录
# cd models/rank/autofis # 在任意目录均可运行
# 动态图训练
python trainer.py -m config.yaml # stage0：自动搜索最佳特征组合 全量数据运行config_bigdata.yaml
python trainer.py -m config.yaml -o stage=1 # stage1：训练最终模型 全量数据运行config_bigdata.yaml
# 动态图预测
python -u ../../../tools/infer.py -m config.yaml -o stage=1 # 全量数据运行config_bigdata.yaml为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。 在全量数据下模型的指标如下：
| 模型 | auc | log_loss | batch_size | epoch_num | Time of each epoch |
|---|---|---|---|---|---|
| AutodeepFM | 0.8009 | 0.5403 | 2000 | 1 | 约3小时 |
- 确认您当前所在目录为PaddleRec/models/rank/autofis
- 进入Paddlerec/datasets/criteo_autofis
- 执行命令运行全量数据
cd ../../../datasets/criteo_autofis
sh run.shcd - # 切回模型目录
# 动态图训练
python trainer.py -m config_bigdata.yaml # stage0：自动搜索最佳特征组合
python trainer.py -m config_bigdata.yaml -o stage=1 # stage1：训练最终模型
python -u ../../../tools/infer.py -m config_bigdata.yaml -o stage=1 # 预测