Recommend-System-tf2.0

原理解析及代码实战，推荐算法也可以很简单 🔥 想要系统的学习推荐算法的小伙伴，欢迎 Star 或者 Fork 到自己仓库进行学习🚀 有任何疑问欢迎提 Issues，也可加文末的联系方式向我询问！

  • 语言Python
  • 默认分支master
  • 大小2.5 MB
  • 更新2022年1月19日
在 GitHub 打开
avatarjc-LeeHub
728
2288

项目介绍

jc-LeeHub/Recommend-System-tf2.0 是一个托管在 GitHub 上的开源项目，主要使用 Python 编写，目前获得 728 个 Star、228 次 Fork。

仓库全名
jc-LeeHub/Recommend-System-tf2.0
Star 数
728
Fork 数
228
未关闭 Issue
8

README 摘要

Recommend-System-TF2.0 此仓库用于记录在学习推荐系统过程中的知识产出，主要是对经典推荐算法的原理解析及代码实现。 算法包含但不仅限于下图中的算法，持续更新中... Models List Model | Paper | :----: | :------- | FM | [ICDM 2010] Fast Context-aware Recommendationswith Factorization Machines | CCPM | [CIKM 2015] A Convolutional Click Prediction Model | FFM | [RecSys 2016] Field-aware Factorization Machines for CTR Prediction | FNN | [ECIR 2016] Deep Learning over Multi-field Categorical…

完整内容见 GitHub 原始 README 或本页 。

常见问题

Recommend-System-tf2.0 用什么语言开发？

主要使用 Python 编写，目前有 728 个 Star。

如何获取 Recommend-System-tf2.0 的源码？

可以直接克隆仓库：git clone https://github.com/jc-LeeHub/Recommend-System-tf2.0.git，默认分支为 master；安装与运行步骤见仓库 README。

Recommend-System-tf2.0 最近还在维护吗？

仓库最近一次更新为 2022年1月19日，当前有 8 个未关闭 Issue；Star 数为 728，可作为社区活跃度的参考。

本页面展示项目元数据与原始 README，GitRead 中文社区 编辑团队负责选题收录。

相关仓库

public-apis/public-apis avatar
public-apispublic-apis
1 天前
496.8k
54.1k
64

免费 API 汇总列表

apipublic-apisfree+7
Python
19.5 MB
7
详情
EbookFoundation/free-programming-books avatar
free-programming-booksEbookFoundation
6 天前
401.2k
67.3k
103

免费可获取的编程书籍

bookseducationhacktoberfest+2
Python
21.7 MB
3
详情
donnemartin/system-design-primer avatar
system-design-primerdonnemartin
9月15日
377.2k
59.2k
637

学习如何设计大规模系统。为系统设计面试做准备。包含 Anki 闪卡。

designdesign-patternsdesign-system+10
Python
11.0 MB
0
详情
vinta/awesome-python avatar
awesome-pythonvinta
23 小时前
333.1k
29.1k
19

回答“我想用 Python 做 X，该用哪个工具？”的权威清单

awesomeawesome-listpython+3
Python
6.8 MB
2
详情
practical-tutorials/project-based-learning avatar
project-based-learningpractical-tutorials
5 天前
289.3k
36.8k
239

精选的项目实战教程列表

tutorialprojectbeginner-project+5
Python
473 KB
1
详情
NousResearch/hermes-agent avatar
hermes-agentNousResearch
7 小时前
261.3k
57.9k
53.5k

与你共同成长的智能体

aiai-agentai-agents+10
Python
1.3 GB
3
详情
TheAlgorithms/Python avatar
PythonTheAlgorithms
4 天前
225.9k
51.3k
90

所有算法均用 Python 实现

algorithmalgorithm-competitionsalgorithms-implemented+11
Python
17.9 MB
2
详情
yt-dlp/yt-dlp avatar
yt-dlpyt-dlp
3 天前
205.9k
18.1k
2.8k

功能丰富的命令行音视频下载器

youtube-dlpythonsponsorblock+4
Python
63.5 MB
0
详情

简要分析

热度分
1191
价值分
505
活跃状态
活跃
afmautointccpmdcndeepfmdiendsinffmfgcnnfmfnnpnntf2widedeep
GitHub

语言占比

Python

Release

贡献者

jc-LeeHubjc-LeeHub

README

Recommend-System-TF2.0

此仓库用于记录在学习推荐系统过程中的知识产出，主要是对经典推荐算法的原理解析及代码实现。

算法包含但不仅限于下图中的算法，持续更新中…

Models List

Model Paper
FM [ICDM 2010] Fast Context-aware Recommendationswith Factorization Machines
CCPM [CIKM 2015] A Convolutional Click Prediction Model
FFM [RecSys 2016] Field-aware Factorization Machines for CTR Prediction
FNN [ECIR 2016] Deep Learning over Multi-field Categorical Data: A Case Study on User Response Prediction
PNN [ICDM 2016] Product-based neural networks for user response prediction
Wide & Deep [DLRS 2016] Wide & Deep Learning for Recommender Systems
Deep Crossing [KDD 2016] Deep Crossing: Web-Scale Modeling withoutManually Crafted Combinatorial Features
DeepFM [IJCAI 2017] DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
Deep & Cross Network [ADKDD 2017] Deep & Cross Network for Ad Click Predictions
AFM [IJCAI 2017] Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks
NFM [SIGIR 2017] Neural Factorization Machines for Sparse Predictive Analytics
Piece-wise Linear Model [arxiv 2017] Learning Piece-wise Linear Models from Large Scale Data for Ad Click Prediction
xDeepFM [KDD 2018] xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems
DIN [KDD 2018] Deep Interest Network for Click-Through Rate Prediction
MMoE [KDD 2018] Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts
FwFM [WWW 2018] Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising
AutoInt [CIKM 2019] AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks
DIEN [AAAI 2019] Deep Interest Evolution Network for Click-Through Rate Prediction
ONN [arxiv 2019] Operation-aware Neural Networks for User Response Prediction
FGCNN [WWW 2019] Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction
DSIN [IJCAI 2019] Deep Session Interest Network for Click-Through Rate Prediction
FiBiNET [RecSys 2019] FiBiNET: Combining Feature Importance and Bilinear feature Interaction for Click-Through Rate Prediction
FLEN [arxiv 2019] FLEN: Leveraging Field for Scalable CTR Prediction
DCN V2 [arxiv 2020] DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems

Introduction

Tips: 该仓库使用的代码均为TF2.0，如果你不熟悉该框架，可参考文档简单粗暴的Tensorflow2.0

Citation

  • 论文列表引用于浅梦，并作了相应补充. Weichen Shen.(2017). DeepCTR: Easy-to-use,Modular and Extendible package of deep-learning based CTR models. https://github.com/shenweichen/deepctr. 感谢整理！

About

评论

暂无评论