byterec 0.0.1

A Lighting Pytorch Framework for Recommendation System, Easy-to-use and Easy-to-extend.

Torch-RecHub

A Lighting Pytorch Framework for Recommendation Models, Easy-to-use and Easy-to-extend.

安装

pip install torch-rechub

主要特性

• scikit-learn风格易用的API（fit、predict），即插即用

• 训练过程与模型定义解耦，易拓展，可针对不同类型的模型设置不同的训练机制

• 使用Pytorch原生Dataset、DataLoader，易修改，自定义数据

• 高度模块化，支持常见Layer（MLP、FM、FFM、target-attention、self-attention、transformer等），容易调用组装成新模型

• 支持常见排序模型（WideDeep、DeepFM、DIN、DCN、xDeepFM等）

• 支持常见召回模型（DSSM、YoutubeDNN、MIND、SARSRec等）

• 丰富的多任务学习支持

  • SharedBottom、ESMM、MMOE、PLE、AITM等模型
  • GradNorm、UWL等动态loss加权机制

• 聚焦更生态化的推荐场景

  • 冷启动
  • 延迟反馈
  • 去偏

• 支持丰富的训练机制（对比学习、蒸馏学习等）

• 第三方高性能开源Trainer支持（Pytorch Lighting等）

• 更多模型正在开发中

快速使用

from torch_rechub.models import WideDeep, DeepFM, DIN
from torch_rechub.trainers import CTRTrainer
from torch_rechub.basic.utils import DataGenerator

dg = DataGenerator(x, y)
train_dataloader, val_dataloader, test_dataloader = dg.generate_dataloader()

model = DeepFM(deep_features=deep_features, fm_features=fm_features, mlp_params={"dims": [256, 128], "dropout": 0.2, "activation": "relu"})

ctr_trainer = CTRTrainer(model)
ctr_trainer.fit(train_dataloader, val_dataloader)
auc = ctr_trainer.evaluate(ctr_trainer.model, test_dataloader)

Note:

所有模型均在大多数论文提及的多个知名公开数据集中测试，达到或者接近论文性能。

使用案例：Examples

每个数据集将会提供

• 一个使用脚本，包含样本生成、模型训练与测试，并提供一套测评所用参数。
• 一个预处理脚本，将原始数据进行预处理，转化成csv。
• 数据格式参考文件（100条）。
• 全量数据，统一的csv文件，提供高速网盘下载链接和原始数据链接。

初步规划TODO清单