TorchEasyRec的dbmtl 模型 config 详解

配置文件是：https://github.com/alibaba/TorchEasyRec/blob/master/examples/dbmtl_taobao.config

一、什么是 DBMTL

DBMTL = Deep Bayesian Multi-Target Learning，是一种多任务学习模型。

核心思想是利用贝叶斯任务关系建模——任务之间不是独立的，而是有因果依赖的。比如用户先"点击"才可能"购买"，CVR 依赖于 CTR。

二、数据与特征

数据源

训练数据: odps://{PROJECT}/tables/taobao_multitask_sample_v1_train
评估数据: odps://{PROJECT}/tables/taobao_multitask_sample_v1/ds=20170513

从 MaxCompute 读取淘宝多任务样本数据，使用 FG_DAG 模式（C++ DAG 引擎处理特征）。

标签（双目标）

label_fields: "clk"   ← 是否点击（CTR 任务）
label_fields: "buy"   ← 是否购买（CVR 任务）

特征一览（16 个特征，全部 embeddingdim=16）

9 个 user 特征 + 6 个 item 特征 + 1 个 context 特征，所有特征放入一个 "all" 特征组。

三、模型结构

对应配置中的各层：

① 共享底层 Bottom MLP

bottom_mlp { hidden_units: [512] }

所有特征 embedding 拼接后（256维）→ 512 维隐层。这是 CTR 和 CVR 共享的表征。

② CTR Tower（点击预测）

tower_name: "ctr"

label_name: "clk"

mlp { hidden_units: [256, 128, 64] }

loss: binary_cross_entropy

metric: auc

512 → 256 → 128 → 64 → 1，预测点击概率。

③ CVR Tower（购买预测）— 贝叶斯关系建模

tower_name: "cvr"

label_name: "buy"

mlp { hidden_units: [256, 128, 64] }       ← 本 tower 没有配 mlp！

relation_tower_names: "ctr"                  ← 依赖 CTR tower

relation_mlp { hidden_units: [64] }

loss: binary_cross_entropy

metric: auc (thresholds: 1000)

这是 DBMTL 的核心特点：CVR tower 没有配置自己的 mlp，所以直接用 bottom_mlp 的 512 维输出。然后：

1. 将 bottom_mlp 输出（512维）与 CTR tower 的 MLP 输出（64维）做 concat（576维）
2. 通过 relation_mlp [64] 融合（576 → 64）
3. 线性层输出购买概率

这体现了贝叶斯因果链：P(buy) = P(buy|click) × P(click)，CVR 的预测依赖 CTR 的中间表征。

四、训练参数

稀疏/稠密分离优化是推荐系统标准做法：Embedding 参数稀疏更新用 Adagrad，MLP 参数稠密更新用 Adam。

五、与普通多任务模型的区别

配置中注释掉的 expert_mlp 和 num_expert 说明 DBMTL 也可以在 bottom 层加 MMoE，但这个例子选择了更简单的 shared bottom MLP 方案。