废话不多说，直接上代码

def DIN(dnn_feature_columns, history_feature_list, dnn_use_bn=False,dnn_hidden_units=(200, 80), dnn_activation='relu', att_hidden_size=(80, 40), att_activation="dice",att_weight_normalization=False, l2_reg_dnn=0, l2_reg_embedding=1e-6, dnn_dropout=0, seed=1024,task='binary'):

其中两个特征值得关注一下，dnn_feature_columns一般是SparseFeat，VarLenSparseFeat和DenseFeat的组合，SparseFeat是类别特征，比如性别（男、女），VarLenSparseFeat我的理解是指的序列特征，比如用户历史行为特征，DenseFeat是稠密特征，一般就是数值型特征。

features = build_input_features(dnn_feature_columns)

第一步是构造输入特征，我们来看一下build_input_features是如何运作的，

def build_input_features(feature_columns, prefix=''):input_features = OrderedDict()  # 初始化一个字典存放输入特征for fc in feature_columns:if isinstance(fc, SparseFeat):  # 用Keras的Input函数构造SparseFeat的输入placeholder，# 注意这里shape是一维，且尺寸是1，这是合理的，还是以性别为例，# 因为一个user对于的性别只有一个，其他SparseFeat类似。input_features[fc.name] = Input(shape=(1,), name=prefix + fc.name, dtype=fc.dtype)elif isinstance(fc, DenseFeat):  # DenseFeat的维度是dimension，# 即用户设置的维度，由于Dense特征不需要考虑one-hot，所以# 直接存放embedding后的维度即可。input_features[fc.name] = Input(shape=(fc.dimension,), name=prefix + fc.name, dtype=fc.dtype)elif isinstance(fc, VarLenSparseFeat):  # VarLenSparseFeat的shape是maxlen，即序列最大长度，用户自己设置。input_features[fc.name] = Input(shape=(fc.maxlen,), name=prefix + fc.name,dtype=fc.dtype)if fc.weight_name is not None:input_features[fc.weight_name] = Input(shape=(fc.maxlen, 1), name=prefix + fc.weight_name,dtype="float32")if fc.length_name is not None:input_features[fc.length_name] = Input((1,), name=prefix + fc.length_name, dtype='int32')else:raise TypeError("Invalid feature column type,got", type(fc))return input_features

下面是分别提取三种类别的字段到不同的数组

sparse_feature_columns = list(filter(lambda x: isinstance(x, SparseFeat), dnn_feature_columns)) if dnn_feature_columns else []
# 因为dnn_feature_columns已经是一个被实例化的向量组合了，然后用ininstance判断组合中的向量分别属于哪个实例。    
dense_feature_columns = list(filter(lambda x: isinstance(x, DenseFeat), dnn_feature_columns)) if dnn_feature_columns else []
varlen_sparse_feature_columns = list(filter(lambda x: isinstance(x, VarLenSparseFeat), dnn_feature_columns)) if dnn_feature_columns else []

history_feature_columns = []
sparse_varlen_feature_columns = []
# 这里主要就是对序列进行整理，因为可能varlen_sparse_feature_columns中
# 包含除了输入history_feature_list以外的其他序列。
history_fc_names = list(map(lambda x: "hist_" + x, history_feature_list))
for fc in varlen_sparse_feature_columns:feature_name = fc.nameif feature_name in history_fc_names:history_feature_columns.append(fc)else:sparse_varlen_feature_columns.append(fc)

inputs_list = list(features.values())  # 输入的所有的特征值组成列表
# 下面这行代码很重要，构建embedding词典
embedding_dict = create_embedding_matrix(dnn_feature_columns, l2_reg_embedding, seed, prefix="")

我们来看看create_embedding_matrix函数具体是怎么实现的，

def create_embedding_dict(sparse_feature_columns, varlen_sparse_feature_columns, seed, l2_reg,prefix='sparse_', seq_mask_zero=True):sparse_embedding = {}# 我们看到在循环时，每个feat都有属性vocabulary_size,name等，这些属性# 是实例化特征时做的，也就是这样一行代码SparseFeat(...)，SparseFeat是一个类# 教程里实例化时，所有的SparseFeat都统一用vocabulary_size，这是不对的# 具体多大的size就需要我们根据实际情况自己去统计for feat in sparse_feature_columns:emb = Embedding(feat.vocabulary_size, feat.embedding_dim,embeddings_initializer=feat.embeddings_initializer,embeddings_regularizer=l2(l2_reg),name=prefix + '_emb_' + feat.embedding_name)emb.trainable = feat.trainablesparse_embedding[feat.embedding_name] = embif varlen_sparse_feature_columns and len(varlen_sparse_feature_columns) > 0:for feat in varlen_sparse_feature_columns:# if feat.name not in sparse_embedding:emb = Embedding(feat.vocabulary_size, feat.embedding_dim,embeddings_initializer=feat.embeddings_initializer,embeddings_regularizer=l2(l2_reg),name=prefix + '_seq_emb_' + feat.name,mask_zero=seq_mask_zero)emb.trainable = feat.trainablesparse_embedding[feat.embedding_name] = embreturn sparse_embedding

到此特征基本构建完成，后面就是模型搭建过程了，具体模型就不介绍，大家可以自己去读原文，对照模型就可以读懂后面的代码了，这里就不叙述了。