pytorch fm
1.0.0
该软件包提供了CTR预测中分解机模型和常见数据集的Pytorch实现。
| 模型 | 参考 |
|---|---|
| 逻辑回归 | |
| 分解机 | S Rendle,《分解机》,2010年。 |
| 现场感知分解机 | Y Juan等。 CTR预测的现场感知计算机,2015年。 |
| 高阶分解机 | M Blondel等。高阶分解机,2016年。 |
| 分解支持的神经网络 | W张等。对多场分类数据的深入学习 - 关于用户响应预测的案例研究,2016年。 |
| 宽而深 | HT Cheng等。推荐系统的广泛学习,2016年。 |
| 注意力分解机 | J Xiao等。注意力分解机器:通过注意网络学习特征相互作用的重量,2017年。 |
| 神经分解机 | X He和Ts Chua,《稀疏预测分析》的神经分解机,2017年。 |
| 神经协作过滤 | X He等。神经协作过滤,2017年。 |
| 现场感知神经分解机器 | L张等。单击率预测的现场感知神经分解机,2019年。 |
| 产品神经网络 | Y QU等。基于产品的神经网络用于用户响应预测,2016年。 |
| 深跨网络 | R Wang等。 Deep&Cross Network for Ad点击预测,2017年。 |
| DeepFM | H Guo等。 DEEPFM:CTR预测的基于分解机的神经网络,2017年。 |
| XDeepFM | J Lian等。 XDEEPFM:将推荐系统的显式和隐式功能交互结合,2018年。 |
| Autoint(自动功能交互模型) | W Song等。 Autoint:通过自我牵手的神经网络学习自动功能互动学习,2018年。 |
| AFN(AdaptiveFactorizationNetwork模型) | Cheng W等。自适应分解网络:学习自适应级特征交互,AAAI'20。 |
Criteo数据集的每个模型的AUC值约为0.80,Avazu数据集约为0.78。 (请参阅示例代码)
pip install torchfm
https://rixwew.github.io/pytorch-fm
麻省理工学院