以下是本例的简要目录结构及说明：
├── data #样例数据
├── sammple_data
├── small_data.csv #数据样例
├── picture #模型相关图片
├── config.yaml # sample数据配置
├── config_bigdata.yaml # 全量数据配置
├── dygraph_model.py # 构建动态图
├── infer.py # 预测脚本
├── movielens_reader.py #数据读取程序
├── net.py # 模型核心组网（动静统一）
├── readme.md #文档
├── static_model.py # 构建静态图
注：在阅读该示例前，建议您先了解以下内容：
传统的序列化推荐模型都将交互历史视为一个有顺序的序列，还没有考虑这个序列中交互物品之间的时间间隔。Time Interval Aware Self-Attention for Sequential Recommendation将交互中的时间戳建模进序列模型框架中，以探索不同的时间间隔对预测下一个物品的影响。
本模型使用论文中的数据集ml-1m（即MovieLens数据集）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tisas模型目录的快速执行命令如下：
# 进入模型目录
# cd models/recall/tisas # 在任意目录均可运行
# 动态图训练
python -u ../../../tools/trainer.py -m config.yaml # 全量数据运行config_bigdata.yaml
# 动态图预测
python -u infer.py -m config.yaml 模型整体结构如下：
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 | HR@10 | NDCG@10 | batch_size | epoch_num | Time of each epoch |
|---|---|---|---|---|---|
| TiSAS | 0.8031 | 0.5756 | 128 | 300 | 4s |
- 确认您当前所在目录为PaddleRec/models/recall/tisas
- 进入Paddlerec/datasets/ml-1m_tisas
- 执行脚本，会从国内源的服务器上下载我们预处理完成的movielens全量数据集，并解压到指定文件夹。
cd ../../../datasets/ml-1m_tisas
sh run.sh- 切回模型目录,执行命令运行全量数据
cd - # 切回模型目录
python -u ../../../tools/trainer.py -m config_bigdata.yaml
python -u infer.py -m config_bigdata.yaml