项目介绍

YinzhenWan/recome_wan 是一个托管在 GitHub 上的开源项目,主要使用 Python 编写,目前获得 90 个 Star、8 次 Fork。

仓库全名
YinzhenWan/recome_wan
Star 数
90
Fork 数
8

README 摘要

recomewan 1.本项目通过pytorch 框架大概复现了推荐系统相关的22个模型,其中包含多篇排序论文和多篇序列召回和图召回论文。 2.本项目一共包含demo和recomewan这两个文件夹。 3.在demo里面分别选了一个召回模型和排序模型来作为示例,如果想调试其他的召回和排序模型,可以直接修改demo里面的rankexample.py文件或者recallexample.py的代码即可。 4.在recomewan这个文件夹里,一共包含datasets、models、trainer、utils这四个大的模块。 5.其中datasets文件夹主要是数据类型和数据编码的处理,models里面包含了layers、rankmodels和recallmodels这三个文件夹。layers主要存放的是一些通用的层比如embedding层、Mlp层。 rankmodels里存放的就是排序相关的模型…

完整内容见 GitHub 原始 README 或本页 。

常见问题

recome_wan 用什么语言开发?

主要使用 Python 编写,目前有 90 个 Star。

如何获取 recome_wan 的源码?

可以直接克隆仓库:git clone https://github.com/YinzhenWan/recome_wan.git,默认分支为 master;安装与运行步骤见仓库 README。

recome_wan 最近还在维护吗?

仓库最近一次更新为 2023年4月11日,当前没有未关闭的 Issue;Star 数为 90,可作为社区活跃度的参考。

简要分析

热度分
107
价值分
56
活跃状态
活跃

README

recome_wan

  • 1.本项目通过pytorch 框架大概复现了推荐系统相关的22个模型,其中包含多篇排序论文和多篇序列召回和图召回论文。
  • 2.本项目一共包含demo和recome_wan这两个文件夹。
  • 3.在demo里面分别选了一个召回模型和排序模型来作为示例,如果想调试其他的召回和排序模型,可以直接修改demo里面的rank_example.py文件或者recall_example.py的代码即可。
  • 4.在recome_wan这个文件夹里,一共包含datasets、models、trainer、utils这四个大的模块。
  • 5.其中datasets文件夹主要是数据类型和数据编码的处理,models里面包含了layers、rank_models和recall_models这三个文件夹。layers主要存放的是一些通用的层比如embedding层、Mlp层。 rank_models里存放的就是排序相关的模型,recall_models里存放的就是召回相关的模型。trainer主要是用来训练、验证、测试召回和排序的模型。utils包含一些关于召回模型的评价。 注:以下表格只展示了一些重要的模型,对一些简单的模型不做表格展示。
model paper
dcn DCN:Deep & Cross Network for Ad Click Predictions
deepfm DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
fibinet FiBiNET: Combining Feature Importance and Bilinear feature Interaction for Click-Through Rate Prediction
mmoe MMOE:Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts
line LINE: Large-scale Information Network Embedding
comirec COMIREC:Controllable Multi-Interest Framework for Recommendation
gru4rec GRU4REC:Session-based Recommendations with Recurrent Neural Networks
mind MIND:Multi-interest network with dynamic routing for recommendation at Tmall
youtubednn YOUTUBEDNN:Deep Neural Networks for YouTube Recommendations
lightgcn LightGcn: Simplifying and Powering Graph Convolution Network for Recommendation
deepwalk DeepWalk: Online Learning of Social Representations
node2vec Node2Vev: Scalable Feature Learning for Networks
din DIN:Deep Interest Network for Click-Through Rate Prediction
sdne SDNE:Structural Deep Network Embedding
graphsage GRAPHSAGE:Inductive Representation Learning on Large Graphs
eges EGES:Enhanced Graph Embedding with Side Information

评论

暂无评论