pytorch fm

Pytorchの因数分解機モデル

このパッケージは、CTR予測におけるFactorization Machineモデルと一般的なデータセットのPytorch実装を提供します。

利用可能なデータセット

• Movielensデータセット
• Criteoは広告の課題を表示します
• Avazuクリックスルーレート予測

利用可能なモデル

モデル	参照
ロジスティック回帰
因数分解マシン	Sレンダー、Factorization Machines、2010年。
フィールドアウェア因数分解マシン	Yフアン他CTR予測のためのフィールドアウェア因数分解マシン、2015年。
高次因数分解マシン	M Blondel、et al。高次因数分解マシン、2016年。
Factorization-Supported Neural Network	W Zhang、et al。マルチフィールドカテゴリデータを介したディープラーニング - ユーザー応答予測に関するケーススタディ、2016年。
広くて深い	HT Cheng、et al。 2016年の推奨システムの広範囲と深い学習。
注意因子化マシン	J Xiao、et al。注意因子化マシン：注意ネットワークを介した機能の相互作用の重みを学ぶ、2017年。
ニューラル因数分解マシン	X Heとts chua、スパース予測分析のためのニューラル因数分解マシン、2017年。
神経共同フィルタリング	X He、et al。ニューラルコラボレーションフィルタリング、2017年。
フィールド認識ニューラル因数分解マシン	L Zhang、et al。 2019年、クリックスルーレート予測のためのフィールドアウェアニューラル因数分解マシン。
製品ニューラルネットワーク	Y Qu、et al。ユーザー応答予測のための製品ベースのニューラルネットワーク、2016年。
ディープクロスネットワーク	R Wang、et al。広告のディープ＆クロスネットワーククリック予測、2017年。
deepfm	H Guo、et al。 DEEPFM：CTR予測のためのFactorization-Machineベースのニューラルネットワーク、2017年。
xdeepfm	J Lian、et al。 XDEEPFM：2018年の推奨システムの明示的および暗黙的な特徴の相互作用を組み合わせます。
Autoint（自動機能相互作用モデル）	W Song、et al。 Autoint：自己attentiveニューラルネットワークを介した自動機能の相互作用学習、2018年。
AFN（AdaptiveFactorizationNetworkモデル）	Cheng W、et al。適応因子化ネットワーク：学習適応順序機能の相互作用、AAAI'20。

各モデルのAUC値は、Criteoデータセットで約0.80、Avazuデータセットでは約0.78です。 （コードの例をご覧ください）

インストール

 pip install torchfm

APIドキュメント

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

ライセンス

mit