一个通俗易懂的开源推荐系统（A user-friendly open-source project for recommendation systems）.
本项目将结合：代码、数据流转图、博客、模型发展史 等多个方面通俗易懂地讲解经典推荐模型，让读者通过一个项目了解推荐系统概况！ 非常适合"新手入门"、"阅读推荐相关经典论文"
持续更新中..., 欢迎star🌟, 第一时间获取更新!!!
1️⃣ 分类解析推荐模型：特征交叉模型、多任务模型、行为序列模型等
2️⃣ 通过blog详细解释模型/论文
3️⃣ 提供模型发展图：介绍模型的优缺点，解决了什么问题，以及前后因果关系
4️⃣ 提供详细的代码注释，并包含详细的数据处理模块
graph LR
A[推荐模型] --> B[特征交叉模型]
A --> C[多任务模型]
B --> B1[Wide and Deep DLRS16 谷歌]
B1 --> B1a[优点: Wide增强记忆,Deep增强泛化; 结构简单高效]
B1 --> B1b[缺点: 需手工特征交互; 维度上升模型变复杂]
B --> B2[DCN V1 AKDD17 谷歌]
B2 --> B2a[优点: 适合小规模; 逐层特征交叉]
B2 --> B2b[缺点: 大规模表达能力有限]
B --> B3[DCN V2 WWW21 谷歌]
C --> C1[Shared Bottom 结构]
C1 --> C1a[优点: 共享参数降低复杂度; 多任务互相促进]
C1 --> C1b[缺点: 负迁移; 跨域表现差]
C --> C2[MMoE]
C --> C3[PLE]
和很多朋友交流发现，我们在读很多论文时，都聚焦于论文中提出的模型本身，而没有关心模型间的因果关系，所以这个 板块用来介绍模型优缺点和模型间的前后因果关系。
由于很多论文中都没有显式介绍自己模型的优缺点和前因后果，所以很多观点都是本人结合网上资料加上个人理解作出的，如果有不对的地方，欢迎在issue中交流讨论。
| Name | Preprocess_url | Download | Progress |
|---|---|---|---|
| Criteo | criteo_preprocess.py: 预处理源代码 | Download_URL | ✅ |
| 预处理说明 |
| No. | Publication | Model | Blog | Paper | Version |
|---|---|---|---|---|---|
| 1 | DLRS'16 | WideDeep | 📝 WideDeep | Wide & Deep Learning for Recommender Systems, Google | ✅torch |
| 2 | ADKDD'17 | DCN | 📝 DCN | Deep & Cross Network for Ad Click Predictions, Google | ✅torch |
| 3 | WWW'21 | DCV-v2 | 📝 DCN-v2 | DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems, Google | ✅torch |
| 4 | NeurIPS'23 | TIGER | 📝 Tiger | Recommender Systems with Generative Retrieval, Google | Unofficial Code |
本项目环境主要有：
- python=3.8.20
- pytorch=1.13.0
其余安装包可以使用下面命令安装：
pip install -r requirements.txt
以Criteo数据集和WideDeep举例：
Step1: 数据预处理
cd DataProcess/criteo
python criteo_preprocess.py样本数据是使用的Criteo一万条数据作为示例，在执行命令过程中，需要注意 数据集的路径
Step2: 训练模型
在 data_config.json 中配置数据集路径；
在 model_config.json 中配置模型信息；
然后运行下面命令即可：
cd ModelZoo/WideDeep/WideDeep_torch
python train.py开源项目的一个很大特点就是：共创！
欢迎各位在issue中交流讨论。
如果你觉得还不错的话，请帮忙点个star🌟吧，非常感谢！！！ If you think it's good, please help out with a star🌟, thank you !!!