pytorch fm

Модели машин факторизации в Pytorch

Этот пакет предоставляет реализацию Pytorch моделей машин факторизации и общие наборы данных в прогнозировании CTR.

Доступные наборы данных

• Набор данных Movielens
• Criteo Display Advertising Challenge
• Прогнозирование скорости кликов Avazu

Доступные модели

Модель	Ссылка
Логистическая регрессия
Машина факторизации	S rendle, Факторизация Машины, 2010.
Полевая машина для факторизации	Y Juan, et al. Полевые машины факторизации для прогнозирования CTR, 2015.
Машины факторизации высшего порядка	M Blondel, et al. Машины факторизации высшего порядка, 2016.
Нейронная сеть, поддерживаемая факторизацией	W Zhang, et al. Глубокое обучение по многополевым категориальным данным - тематическое исследование по прогнозированию ответов пользователя, 2016.
Широкий и глубокий	HT Cheng, et al. Широкое и глубокое обучение для Recural Systems, 2016.
Машина факторизации внимания	J Xiao, et al. Машины факторизации внимания: изучение веса взаимодействий функций с помощью сетей внимания, 2017.
Машина нейронной факторизации	X HE и TS Chua, Нейронная факторизация машины для Sparse Predictive Analytics, 2017.
Нейронная совместная фильтрация	X He, et al. Нейронная совместная фильтрация, 2017.
Полевая машина для нейронной факторизации	L Zhang, et al. Полевая машина для нейронной факторизации для прогнозирования скорости клика, 2019.
Нейронная сеть продукта	Y Qu, et al. Нейронные сети на основе продуктов для прогнозирования ответа пользователя, 2016.
Глубокая кросс -сеть	R Wang, et al. Deep & Cross Network для предсказаний AD Click, 2017.
Deepfm	H Guo, et al. DeepFM: нейронная сеть, основанная на факторизации, для прогнозирования CTR, 2017.
xdeepfm	J Lian, et al. xDeepfm: объединение явных и неявных функций для функций для Recuredering Systems, 2018.
Autoint (модель автоматического взаимодействия с функциями)	W Song, et al. Autoint: автоматическое обучение взаимодействию функций с помощью самостоятельных нейронных сетей, 2018.
AFN (модель AdaptiveFactorizationNetwork)	Cheng W, et al. Адаптивная сеть факторизации: обучение адаптивно-порядковому взаимодействию, AAAI'20.

Значения AUC каждой модели составляют около 0,80 для набора данных Criteo и около 0,78 для набора данных Avazu. (см. Пример кода)

Установка

 pip install torchfm

Документация API

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

Лицензия

Грань