pytorch fm
1.0.0
Este pacote fornece uma implementação Pytorch de modelos de máquina de fatorização e conjuntos de dados comuns na previsão da CTR.
| Modelo | Referência |
|---|---|
| Regressão logística | |
| Máquina de fatorização | S Rendle, Máquinas de Factorização, 2010. |
| Máquina de fatorização com reconhecimento de campo | Y Juan, et al. Máquinas de fatorização com reconhecimento de campo para previsão da CTR, 2015. |
| Máquinas de fatoração de ordem superior | M Blondel, et al. Máquinas de fatoração de ordem superior, 2016. |
| Rede neural suportada por fatoração | W Zhang, et al. Aprendizagem profunda sobre dados categóricos de vários campos - um estudo de caso sobre previsão de resposta ao usuário, 2016. |
| Largo e profundo | Ht Cheng, et al. Aprendizagem ampla e profunda para sistemas de recomendação, 2016. |
| Máquina de fatorização atencional | J Xiao, et al. Máquinas de fatorização atencional: Aprendendo o peso das interações de recursos através de redes de atenção, 2017. |
| Máquina de fatorização neural | X He e TS Chua, máquinas de fatorização neural para análise preditiva esparsa, 2017. |
| Filtragem colaborativa neural | X He, et al. Filtragem colaborativa neural, 2017. |
| Máquina de fatorização neural consciente de campo | L Zhang, et al. Máquina de fatorização neural consciente de campo para previsão da taxa de cliques, 2019. |
| Rede neural do produto | Y Qu, et al. Redes neurais baseadas em produtos para previsão de resposta ao usuário, 2016. |
| Rede cruzada profunda | R Wang, et al. Deep & Cross Network for AD Click Previs, 2017. |
| Deepfm | H Guo, et al. Deepfm: Uma Rede Neural Baseada em Máquina para Fator de Máquina para Previsão da CTR, 2017. |
| xdeepfm | J Lian, et al. XDEEPFM: Combinando interações explícitas e implícitas para sistemas de recomendação, 2018. |
| Autoint (modelo automático de interação) | W Song, et al. Autoint: aprendizado automático de interação com recursos por meio de redes neurais auto-atentas, 2018. |
| AFN (modelo AdaptiveFactorizationNetwork) | Cheng W, et al. Rede de fatorização adaptativa: Aprendendo interações de recursos de ordem adaptativa, AAAI'20. |
Os valores de AUC de cada modelo são de cerca de 0,80 para o conjunto de dados do CRITEO e cerca de 0,78 para o conjunto de dados Avazu. (Por favor, veja o código de exemplo)
pip install torchfm
https://rixwew.github.io/pytorch-fm
Mit
