FuxiCTR 다운로드 FuxiCTR 소스 코드 다운로드

FuxiCTR

파이썬

1.0.0

다운로드

CTR (Click-Strough Rate) 예측은 온라인 광고, 추천 시스템 및 스폰서 검색과 같은 다양한 산업 응용 프로그램에 중요한 작업입니다. FUXICTR은 구성 가능성, 조정 성 및 재현성의 주요 기능을 갖춘 CTR 예측을위한 오픈 소스 라이브러리를 제공합니다. 우리는이 프로젝트가 재현 가능한 연구를 촉진 하고이 분야의 연구원과 실무자 모두에게 도움이되기를 바랍니다.

주요 기능

구성 가능 : 데이터 전처리 및 모델은 모두 모듈화되고 구성 가능합니다.
조정 가능 : 손쉬운 구성을 통해 모델을 자동으로 조정할 수 있습니다.
재현 가능 : 모든 벤치 마크를 쉽게 재현 할 수 있습니다.
확장 가능 : 새로운 모델로 쉽게 확장 할 수 있으며, Pytorch 및 Tensorflow 프레임 워크를 모두 지원합니다.

모델 동물원

아니요	출판	모델	종이	기준	버전

기능 상호 작용 모델 기능

1	www'07	LR	클릭 예측 : 새로운 광고의 클릭 제한 속도 추정 Microsoft	↗️	`torch`
2	ICDM'10	FM	인수 화 기계	↗️	`torch`
3	cikm'13	DSSM	클릭 스루 데이터 Microsoft를 사용하여 웹 검색을위한 깊은 구조적 의미 론적 모델 학습	↗️	`torch`
4	cikm'15	CCPM	컨볼 루션 클릭 예측 모델	↗️	`torch`
5	Resy'16	FFM	CTR 예측 크리 테오를 위한 현장 인식 인수 화 기계	↗️	`torch`
6	Resy'16	DNN	YouTube 권장 사항 Google을 위한 깊은 신경망	↗️	`torch` , `tf`
7	DLRS'16	넓고 깊이	추천 시스템 Google 을위한 넓고 딥 러닝	↗️	`torch` , `tf`
8	ICDM'16	PNN	사용자 응답 예측을위한 제품 기반 신경망	↗️	`torch`
9	KDD'16	깊은 교차	딥 횡단 : 수동으로 제작 된 조합 기능이없는 웹 스케일 모델링 Microsoft	↗️	`torch`
10	NIPS'16	HOFM	고차 인수화 기계	↗️	`torch`
11	ijcai'17	DeepFM	DeepFM : CTR 예측을위한 인수 분해기 기반 신경망 Huawei	↗️	`torch` , `tf`
12	Sigir'17	NFM	드문 예측 분석을위한 신경 요인화 기계	↗️	`torch`
13	ijcai'17	AFM	주의력 요인화 기계 :주의 네트워크를 통한 기능 상호 작용의 무게 학습	↗️	`torch`
14	Adkdd'17	DCN	광고 클릭 예측을위한 Deep & Cross Network Google	↗️	`torch` , `tf`
15	www'18	FWFM	디스플레이 광고 맹세, 터치팔, LinkedIn, Alibaba의 클릭률 예측을위한 필드 가중 인수 화기	↗️	`torch`
16	KDD'18	XDEEPFM	XDEEPFM : 추천 시스템의 명시 적 및 암시 적 기능 상호 작용 결합 Microsoft	↗️	`torch`
17	cikm'19	Fignn	FIGNN : CTR 예측을위한 그래프 신경망을 통한 모델링 기능 상호 작용	↗️	`torch`
18	cikm'19	Autoint/Autoint+	Autoint : 자체적 신경 네트워크를 통한 자동 기능 상호 작용 학습	↗️	`torch`
19	Rescys'19	Fibinet	FIBINET : 클릭률 속도 예측을위한 기능 중요성 및 이중선 기능 상호 작용 결합 Sina Weibo	↗️	`torch`
20	www'19	fgcnn	클릭금 속도 예측을위한 Convolutional Neural Network의 기능 생성 Huawei	↗️	`torch`
21	aaai'19	HFM/HFM+	추천을위한 홀로그램 인수 화 기계	↗️	`torch`
22	Arxiv'19	DLRM	개인화 및 추천 시스템을위한 딥 러닝 추천 모델 Facebook	↗️	`torch`
23	Neuralnetworks'20	onn	사용자 응답 예측을위한 운영 인식 신경망	↗️	`torch` , `tf`
24	aaai'20	AFN/AFN+	적응 형 요인화 네트워크 : 학습 적응기 기능 상호 작용	↗️	`torch`
25	aaai'20	Lorentzfm	Lorentzian 인수 분해 eBay 와의 학습 기능 상호 작용	↗️	`torch`
26	WSDM'20	간호	계층 적주의 NEC Labs, Google을 통한 해석 가능한 클릭률 예측	↗️	`torch`
27	DLP-KDD'20	플렌	FLEN : 확장 가능한 CTR 예측 Tencent의 필드를 활용합니다	↗️	`torch`
28	cikm'20	Deepim	Deep Interaction Machine : 고차 기능 상호 작용을위한 간단하지만 효과적인 모델 Alibaba, Realai	↗️	`torch`
29	www'21	FMFM	FM^2 : 추천 시스템 Yahoo 용 필드 매트릭스 인수 화기	↗️	`torch`
30	www'21	DCN-V2	DCN v2 : 웹 스케일 학습을위한 Deep & Cross Network 개선 및 실질적인 교훈 Google	↗️	`torch`
31	cikm'21	목적지	클릭 제한 속도 예측 Alibaba를 위한 자체 항목 신경망을 분리했습니다	↗️	`torch`
32	cikm'21	EDCN	병렬 깊은 CTR 모델에 대한 정보 공유를 통한 명시 적 및 암시 적 기능 상호 작용 향상 Huawei	↗️	`torch`
33	DLP-KDD'21	마스크 넷	MASKNET : 인스턴스 유도 마스크 Sina Weibo 의 CTR 순위 모델에 기능별 곱셈 도입	↗️	`torch`
34	시기 21	샘	CTR 예측을 다시보고 :주의가 필요한 모든 것이 있습니까? 보스 Zhipin	↗️	`torch`
35	KDD'21	Aoanet	온라인 권장 사항을위한 아키텍처 및 운영 적응 네트워크 didi chuxing	↗️	`torch`
36	aaai'23	FinalMlp	FinalMLP : CTR 예측을위한 향상된 2 스트림 MLP 모델 Huawei	↗️	`torch`
37	시기 23	Finalnet	최종 : CTR 예측 Huawei에 대한 인수 상호 작용 층	↗️	`torch`
38	시기 23	Eulernet	Eulernet : CTR 예측을위한 Euler의 공식을 통한 적응 기능 상호 작용 학습 Huawei	↗️	`torch`
39	cikm'23	GDCN	CTR 예측을위한 더 깊고 가볍고 해석 가능한 크로스 네트워크를 향해 Microsoft		`torch`
40	ICML'24	Wukong	Wukong : 대규모 추천 메타 를위한 스케일링 법으로		`torch`

행동 시퀀스 모델링

42	KDD'18	소음	클릭률 예측을위한 깊은 관심 네트워크 Alibaba	↗️	`torch`
43	aaai'19	디엔	클릭률 예측을위한 깊은 관심 진화 네트워크 Alibaba	↗️	`torch`
44	DLP-KDD'19	BST	알리바바 알리바바 에서 전자 상거래 권장을위한 동작 서열 변압기	↗️	`torch`
45	cikm'20	Dmin	클릭률 예측 Alibaba를 위한 깊은 다중 인터 네트워크	↗️	`torch`
46	aaai'20	DMR	개인화 된 클릭률 요율 예측 Alibaba 에 대한 랭크 모델과의 일치	↗️	`torch`
47	DLP-KDD'22	에타	클릭금 속도 예측을위한 효율적인 긴 순차 사용자 데이터 모델링 Alibaba		`torch`
48	cikm'22	sdim	CTR 예측 Meituan을 위한 장기 사용자 동작 모델링에 필요한 샘플링은 전부입니다.		`torch`
49	KDD'23	거래	Transact : Pinterest Pinterest 에서 권장 사항을위한 변압기 기반 실시간 사용자 작업 모델	↗️	`torch`

동적 웨이트 네트워크

50	Neurips'22	APG	APG : 클릭 스루 비율 예측을위한 적응 형 매개 변수 생성 네트워크 Alibaba	↗️	`torch`
51	KDD'23	ppnet	PEPNET : 개인화 된 사전 정보를 주입하기위한 매개 변수 및 임베딩 kuaishou	↗️	`torch`

멀티 태스킹 모델링

52	Arxiv'17	ShareBottom	심층 신경망에서 멀티 태스킹 학습에 대한 개요		`torch`
53	KDD'18	mmoe	다중 게이트 혼합 experts Google을 사용한 멀티 태스킹 학습의 모델링 작업 관계		`torch`
54	Rescys'20	ple	PLE (Progressive Layered Extraction) : 개인화 된 권장 사항을위한 새로운 멀티 태스킹 학습 (MTL) 모델 Tencent		`torch`

벤치마킹

우리는 다음과 같이 오픈 데이터 세트 세트에서 FuxICTR 모델을 벤치마킹했습니다.

CTR 예측을위한 벤치 마크 데이터 세트
벤치 마크 설정 및 실행 단계
CTR 예측을위한 벤치 마크 리더 보드

의존성

fuxictr은 다음과 같은 종속성을 가지고 있습니다.

파이썬 3.9+
Pytorch 1.10+ (토치 모델에만 필요)
Tensorflow 2.1+ (Tensorflow 모델에만 필요)

pip install -r requirements.txt 통해 다른 필수 패키지를 설치하십시오.

빠른 시작

데모 예제를 실행하십시오
Demo 디렉토리에 예제가 제공되어 FuxICTR의 기본 사용법을 보여줍니다. 사용자는 빠른 시작을 위해 예제를 실행하고 워크 플로를 이해할 수 있습니다.
```
 cd demo
python example1_build_dataset_to_parquet.py
python example2_DeepFM_with_parquet_input.py
```
작은 데이터에 대한 모델을 실행하십시오
사용자는 아래 명령에 따라 모델 동물원에서 각 모델을 쉽게 실행할 수 있습니다.이 명령은 DCN을 실행하기위한 데모입니다. 또한 사용자는 데이터 세트 구성 및 모델 구성 파일을 수정하여 자체 데이터 세트 또는 새로운 하이퍼 파라미터로 실행할 수 있습니다. 자세한 내용은 readme에서 찾을 수 있습니다.
```
 cd model_zoo/DCN/DCN_torch
python run_expid.py --expid DCN_test --gpu 0

# Change `MODEL` according to the target model name
cd model_zoo/MODEL
python run_expid.py --expid MODEL_test --gpu 0
```
벤치 마크 데이터 세트 (예 : Criteo)에서 모델 실행
사용자는 벤치 마크 섹션을 따라 벤치 마크 데이터 세트를 얻고 기존 결과를 재현하기위한 실행 단계를 얻을 수 있습니다. 예를 참조하십시오 : https://github.com/reczoo/bars/tree/main/ranking/ctr/dcnv2/dcnv2_criteo_x1
새로운 모델을 구현하십시오
FUXICTR 라이브러리는 모듈화되도록 설계되었으므로 모든 구성 요소가 사용자가 필요에 따라 덮어 쓰일 수 있습니다. 대부분의 경우 새로운 맞춤형 모델에 대해 모델 클래스 만 구현해야합니다. 데이터 전처리 또는 데이터 로더가 직접적으로 적용되지 않으면 코어 API를 통해 새 제품을 덮어 쓸 수도 있습니다. 우리는 최근 AAAI 2023에 발표 된 새로운 모델 FinalMLP를 구현하는 구체적인 예를 보여줍니다.
모델의 하이퍼 파라미터를 조정하십시오
FUXICTR은 현재 여러 GPU를 사용하여 모델의 하이퍼 파라미터를 빠르게 그리드 검색합니다. 다음 예는 4 GPU를 사용한 8 개의 실험의 그리드 검색을 보여줍니다.
```
 cd experiment
python run_param_tuner.py --config config/DCN_tiny_parquet_tuner_config.yaml --gpu 0 1 2 3 0 1 2 3
```

소환

귀하의 연구에 도움이되는 코드 또는 벤치 마크가 도움이되면 다음 논문을 인용하십시오.

Jieming Zhu, Jinyang Liu, Shuai Yang, Qi Zhang, Xiuqiang HE. 클릭률 예측을위한 벤치마킹 열기. 정보 및 지식 관리에 관한 30 번째 ACM 국제 회의 (CIKM) , 2021. [Bibtex]
Jieming Zhu, Quanyu Dai, Liangcai Su, Rong MA, Jinyang Liu, Guohao Cai, Xi Xiao, Rui Zhang. 바 : 추천 시스템을위한 열린 벤치마킹을 향해. 정보 검색 연구 개발에 관한 제 45 회 국제 ACM시기 (SIGIR) , 2022. [Bibtex]