pytorch fm
1.0.0
Ce package fournit une implémentation Pytorch des modèles de machines de factorisation et des ensembles de données communs dans la prédiction CTR.
| Modèle | Référence |
|---|---|
| Régression logistique | |
| Machine de factorisation | S Rendle, factorisation Machines, 2010. |
| Machine de factorisation consciente du terrain | Y Juan, et al. Machines de factorisation consciente du terrain pour la prédiction CTR, 2015. |
| Machines de factorisation d'ordre supérieur | M Blondel, et al. Machines de factorisation d'ordre supérieur, 2016. |
| Réseau neuronal soutenu par la factorisation | W Zhang, et al. Apprentissage en profondeur sur les données catégorielles multi-champs - une étude de cas sur la prédiction de la réponse de l'utilisateur, 2016. |
| Large et profond | Ht Cheng, et al. Wide & Deep Learning for Reccandander Systems, 2016. |
| Machine de factorisation attentionnelle | J Xiao, et al. Machines de factorisation attentionnelles: apprentissage du poids des interactions des fonctionnalités via des réseaux d'attention, 2017. |
| Machine de factorisation neurale | X HE et TS CHUA, Machines de factorisation neuronale pour l'analyse prédictive clairsemée, 2017. |
| Filtrage collaboratif neuronal | X He, et al. Neural Collaborative Filtring, 2017. |
| Machine de factorisation neuronale consciente du terrain | L Zhang, et al. Machine de factorisation neuronale consciente du terrain pour la prédiction du taux de clics, 2019. |
| Réseau neuronal produit | Y Qu, et al. Réseaux de neurones basés sur des produits pour la prédiction de la réponse de l'utilisateur, 2016. |
| Réseau de croix profonde | R Wang, et al. Deep & Cross Network for AD Click Predictions, 2017. |
| Deepfm | H Guo, et al. DeepFM: A Factorisation Machine Based Neural Network for CTR Prediction, 2017. |
| xdeepfm | J Lian, et al. XDEEPFM: combinaison des interactions de fonctionnalités explicites et implicites pour les systèmes de recommandation, 2018. |
| AUTOINT (modèle d'interaction en fonctionnalité automatique) | W Song, et al. AUTOINT: Apprentissage automatique des fonctionnalités via les réseaux de neurones auto -attentifs, 2018. |
| AFN (modèle AdaptiveFactorisationNetwork) | Cheng W, et al. Réseau de factorisation adaptatif: apprentissage des interactions de fonctions d'ordre adaptatif, aaai'20. |
Les valeurs AUC de chaque modèle sont d'environ 0,80 pour l'ensemble de données Criteo et environ 0,78 pour l'ensemble de données Avazu. (Veuillez voir l'exemple de code)
pip install torchfm
https://rixwew.github.io/pytorch-fm
Mit
