pytorch fm

Model mesin faktorisasi di pytorch

Paket ini menyediakan implementasi Pytorch dari model mesin faktorisasi dan kumpulan data umum dalam prediksi CTR.

Set data yang tersedia

• Dataset Movielens
• Tantangan iklan tampilan criteo
• Prediksi laju klik Avazu

Model yang tersedia

Model	Referensi
Regresi logistik
Mesin faktorisasi	S Rendle, Machines Faktorisasi, 2010.
Mesin faktorisasi yang sadar lapangan	Y Juan, dkk. Mesin faktorisasi yang sadar lapangan untuk prediksi CTR, 2015.
Mesin faktorisasi tingkat tinggi	M Blondel, dkk. Mesin faktorisasi tingkat tinggi, 2016.
Jaringan saraf yang didukung faktorisasi	W Zhang, et al. Pembelajaran mendalam melalui data kategorikal multi -bidang - Studi kasus tentang prediksi respons pengguna, 2016.
Lebar & dalam	HT Cheng, dkk. Pembelajaran luas & mendalam untuk Sistem Rekomendasi, 2016.
Mesin faktorisasi perhatian	J Xiao, dkk. Mesin Faktorisasi Perhatian: Mempelajari Berat Interaksi Fitur Melalui Jaringan Attention, 2017.
Mesin faktorisasi saraf	X He dan TS Chua, mesin faktorisasi saraf untuk analitik prediktif yang jarang, 2017.
Penyaringan kolaboratif saraf	X HE, dkk. Penyaringan Kolaboratif Neural, 2017.
Mesin faktorisasi saraf yang sadar lapangan	L Zhang, et al. Mesin faktorisasi saraf yang sadar lapangan untuk prediksi laju klik-tayang, 2019.
Jaringan saraf produk	Y Qu, et al. Jaringan saraf berbasis produk untuk prediksi respons pengguna, 2016.
Jaringan salib yang dalam	R Wang, dkk. Jaringan Deep & Cross untuk Prediksi Klik Iklan, 2017.
Deepfm	H Guo, dkk. DeepFM: Jaringan saraf berbasis faktorisasi-mesin untuk prediksi CTR, 2017.
xdeepfm	J Lian, dkk. XDEEPFM: Menggabungkan interaksi fitur eksplisit dan implisit untuk sistem rekomendasi, 2018.
Autoint (Model Interaksi Fitur Otomatis)	W Lagu, dkk. Autoint: Pembelajaran Interaksi Fitur Otomatis Melalui Jaringan Saraf Tata Sendiri, 2018.
AFN (Model AdaptiveFactorizationNetwork)	Cheng W, dkk. Jaringan Faktorisasi Adaptif: Belajar Interaksi Fitur Urutan Adaptif, AAAI'20.

Nilai AUC setiap model adalah sekitar 0,80 untuk dataset Criteo, dan sekitar 0,78 untuk dataset Avazu. (silakan lihat contoh kode)

Instalasi

 pip install torchfm

Dokumentasi API

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

Lisensi

Mit