RecJourney: 推荐系统算法实现与实验

项目简介

RecJourney 是一个专注于推荐系统算法实现与实验的开源项目。本项目旨在提供一个全面的推荐系统学习和研究平台,包含多个主流推荐算法的PyTorch实现,以及在公开数据集上的实验结果。

主要特性

• 📚 包含20+种主流推荐算法的PyTorch实现
• 🔬 在多个公开数据集上进行了实验对比
• 🛠 提供了完整的数据预处理、模型训练、评估流程
• 📊 详细的实验结果分析与可视化
• 🔧 模块化设计,易于扩展新的算法

快速开始

环境要求

• Python 3.7+
• PyTorch 1.7+
• CUDA 10.1+ (对于GPU加速)

安装

1. 克隆仓库:

git clone https://github.com/yourusername/RecJourney.git

2. 安装依赖:

pip install -r requirements.txt

使用

TODO

支持的算法

阿里巴巴

论文标题	发表年份	URL	仓库
Deep Interest Network for Click-Through Rate Prediction	KDD 2018	http://arxiv.org/abs/1706.06978	models/DIN
Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate	SIGIR 2018	https://arxiv.org/pdf/1804.07931	models/ESMM
Deep Interest Evolution Network for Click-Through Rate Prediction	AAAI 2019	http://arxiv.org/abs/1809.03672	models/DIEN
Deep Session Interest Network for Click-Through Rate Prediction	IJCAI 2019	http://arxiv.org/abs/1905.06482	models/DSIN
Behavior Sequence Transformer for E-commerce Recommendation in Alibaba	KDD 2019	http://arxiv.org/abs/1905.06874	models/BST
Hybrid Contrastive Constraints for Multi-Scenario Ad Ranking	CIKM 2023	https://arxiv.org/abs/2302.02636	models/HC2

谷歌

论文标题	发表年份	URL	仓库
Deep & Cross Network for Ad Click Predictions	KDD 2017	http://arxiv.org/abs/1708.05123	models/DCN
DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems	WWW2021	https://arxiv.org/pdf/2008.13535	models/DCN

华为

论文标题	发表年份	URL	仓库
Enhancing Explicit and Implicit Feature Interactions via Information Sharing for Parallel Deep CTR Models	KDD 2021	https://dlp-kdd.github.io/assets/pdf/DLP-KDD_2021_paper_12.pdf	models/EDCN

腾讯

论文标题	发表年份	URL	仓库
Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recommendations	RecSys 2020	https://github.com/tangxyw/RecSysPapers/blob/927b56b90a0d7252114131ad08e516c0ad143106/Multi-Task/%5B2020%5D%5BTencent%5D%5BPLE%5D%20Progressive%20Layered%20Extraction%20(PLE)%20-%20A%20Novel%20Multi-Task%20Learning%20(MTL)%20Model%20for%20Personalized%20Recommendations.pdf	modes/PLE

快手

论文标题	发表年份	URL	仓库
POSO: Personalized Cold Start Modules for Large-scale Recommender Systems	2021	https://arxiv.org/pdf/2108.04690	models/POSO

美团

论文标题	发表年份	URL	仓库
HiNet: Novel Multi-Scenario & Multi-Task Learning with Hierarchical Information Extraction	ICDE 2023	https://arxiv.org/pdf/2303.06095	model/HiNet

微软

论文标题	发表年份	URL	仓库
Towards Deeper, Lighter and Interpretable Cross Network for CTR Prediction	CIKM 2023	https://arxiv.org/pdf/2311.04635	models/GDCN

3. 模型

模型名称	标签	进度
AFM		完成
AutoInt		完成
BST		完成
CAN		完成
DCN		完成
DIEN		完成
DIN		完成
DSIN
EDCN		完成
ESMM		完成
FiBiNet
FM
GDCN		完成
HC2
HiNet		完成
MMOE
PEPNet
PLE		完成
POSO		完成
WideDeep		完成
xDeepFM		完成

4.模型评估

数据集：IJCAI 18

模型名称	AUC	LogLoss
AutoInt	0.56431	0.09450
SharedBottom	0.55899	0.09820

贡献指南

TODO

引用

TODO