pytorch fm

Modelos de máquina de factorización en Pytorch

Este paquete proporciona una implementación de Pytorch de modelos de máquina de factorización y conjuntos de datos comunes en la predicción de CTR.

Conjuntos de datos disponibles

• Conjunto de datos de Movielens
• Desafío publicitario de Criteo Display
• Predicción de tasa de clics de Avazu

Modelos disponibles

Modelo	Referencia
Regresión logística
Máquina de factorización	S Rendle, Factorization Machines, 2010.
Máquina de factorización consciente de campo	Y Juan, et al. Máquinas de factorización de campo para la predicción de CTR, 2015.
Máquinas de factorización de orden superior	M Blondel, et al. Máquinas de factorización de orden superior, 2016.
Red neuronal soportada por la factorización	W Zhang, et al. Aprendizaje profundo sobre datos categóricos múltiples de campo: un estudio de caso sobre la predicción de la respuesta al usuario, 2016.
Ancho y profundo	HT Cheng, et al. Aprendizaje amplio y profundo para sistemas de recomendación, 2016.
Máquina de factorización atencional	J Xiao, et al. Máquinas de factorización de atención: aprendiendo el peso de las interacciones de características a través de las redes de atención, 2017.
Máquina de factorización neural	X HE y TS CHUA, Máquinas de factorización neuronal para análisis predictivo disperso, 2017.
Filtrado de colaboración neuronal	X He, et al. Filtrado de colaboración neuronal, 2017.
Máquina de factorización neural consciente de campo	L Zhang, et al. Máquina de factorización neural consciente de campo para la predicción de la tasa de clics, 2019.
Red neuronal de productos	Y qu, et al. Redes neuronales basadas en productos para la predicción de respuesta al usuario, 2016.
Red de la cruz profunda	R Wang, et al. Deep & Cross Network para predicciones de clic AD, 2017.
Profundo	H Guo, et al. DeepFM: una red neuronal basada en factorización-máquina para la predicción de CTR, 2017.
xdeepfm	J Lian, et al. XDeepFM: Combinando interacciones de características explícitas e implícitas para los sistemas de recomendación, 2018.
Autoint (modelo de interacción de características automáticas)	W Song, et al. Autoint: Aprendizaje automático de interacción de características a través de redes neuronales autoattenadas, 2018.
AFN (adaptiveFactorizationNetwork Model)	Cheng W, et al. Red de factorización adaptativa: aprendizaje de interacciones de características de orden adaptativo, AAAI'20.

Los valores de AUC de cada modelo son de aproximadamente 0.80 para el conjunto de datos Criteo y aproximadamente 0.78 para el conjunto de datos Avazu. (Consulte el código de ejemplo)

Instalación

 pip install torchfm

Documentación de API

https://rixwew.github.io/pytorch-fm

Licencia

MIT