pytorch fm
1.0.0
Dieses Paket bietet eine Pytorch -Implementierung von Faktorisierungsmaschinenmodellen und gemeinsamen Datensätzen in der CTR -Vorhersage.
| Modell | Referenz |
|---|---|
| Logistische Regression | |
| Faktorisierungsmaschine | S Rendle, Faktorisierungsmaschinen, 2010. |
| Faktorisierungsmaschine für Feldversorgung | Y Juan et al. Faktorisierungsgerätefaktorisierungsmaschinen für die CTR-Vorhersage, 2015. |
| Faktorisierungsmaschinen höherer Ordnung | M Blondel et al. Faktorisierungsmaschinen höherer Ordnung, 2016. |
| Faktorisierend unterstütztes neuronales Netzwerk | W Zhang, et al. Deep Learning über kategoriale Multi -Feld -Daten - eine Fallstudie zur Vorhersage der Benutzerreaktion, 2016. |
| Breit und tief | HT Cheng et al. Wide & Deep Learning for Repecender Systems, 2016. |
| Aufmerksamkeitsfaktorisierungsmaschine | J Xiao et al. Aufmerksamkeitsfaktorisierungsmaschinen: Lernen des Gewichts der Merkmalsinteraktionen über Aufmerksamkeitsnetzwerke, 2017. |
| Neuronale Faktorisierungsmaschine | X He und TS Chua, Neuronale Faktorisierungsmaschinen für spärliche Vorhersageanalysen, 2017. |
| Neuronale kollaborative Filterung | X er, et al. Neuronale kollaborative Filterung, 2017. |
| Feldmeisterin der neuronalen Faktorisierung | L Zhang, et al. Field-aural Neural Factorization Machine für die Klickrate-Vorhersage, 2019. |
| Produkt neuronales Netzwerk | Y Qu, et al. Produktbasierte neuronale Netzwerke für die Vorhersage der Benutzerreaktion, 2016. |
| Deep Cross Network | R Wang, et al. Deep & Cross Network für Anzeigenklick -Vorhersagen, 2017. |
| Deepfm | H Guo et al. DeepFM: Ein faktorisierende machinenbasierte neuronales Netzwerk für die CTR-Vorhersage, 2017. |
| xdeepfm | J Lian et al. XDeepfm: Kombinieren explizite und implizite Feature -Interaktionen für Empfehlungssysteme, 2018. |
| Autoint (automatisches Feature -Interaktionsmodell) | W Song, et al. AUTINT: Automatisches Lernen von Features Interaction durch selbstanattende neuronale Netzwerke, 2018. |
| AFN (AdaptiveFactorizationNetwork -Modell) | Cheng W. et al. Adaptive Faktorisierungsnetzwerk: Feature-Interaktionen für adaptive Ordnung, AAAI'20. |
Die AUC -Werte jedes Modells betragen etwa 0,80 für Criteo -Datensatz und etwa 0,78 für Avazu -Datensatz. (Siehe Beispielcode)
pip install torchfm
https://rixwew.github.io/pytorch-fm
MIT
