项目介绍
项目概述
Torch-RecHub 是一个使用 PyTorch 构建的、灵活且易于扩展的推荐系统框架。它旨在简化推荐算法的研究和应用，提供常见的模型实现、数据处理工具和评估指标。
特性
- 模块化设计: 易于添加新的模型、数据集和评估指标。
- 基于 PyTorch: 利用 PyTorch 的动态图和硬件加速能力，支持 CPU、NVIDIA CUDA GPU、AMD ROCm GPU 和华为昇腾 NPU。
- 丰富的模型库: 包含多种经典和前沿的推荐算法。
- 标准化流程: 提供统一的数据加载、训练和评估流程。
- 易于配置: 通过 Python 构造参数以及示例脚本的命令行参数调整实验设置。
- 可复现性: 旨在确保实验结果的可复现性。
- 易扩展: 模型训练与模型定义解耦，无basemodel概念。
- 原生函数: 尽可能使用pytorch原生的类与函数，不做过多定制。
- 模型代码精简: 在符合论文思想的基础上方便新手学习
- 其他特性: 例如，支持负采样、多任务学习等。
整体架构
核心组件
Torch-RecHub 采用模块化设计，将推荐系统的核心功能划分为多个组件，包括：
1. 特征处理
处理不同类型的特征，包括数值型特征、类别型特征和序列特征。
详情请参考 特征定义 页面。
2. 数据流水线
负责数据加载、预处理和生成数据加载器，支持排序模型和召回模型的数据处理。
详情请参考 数据流水线 页面。
3. 模型库
实现各种推荐模型，包括排序模型、召回模型、多任务模型和生成式推荐模型。
详情请参考 模型库 页面。
4. 训练与评估
提供统一的训练接口，支持模型训练、评估、预测和ONNX导出功能。
详情请参考 训练与评估 页面。
5. 研发工具
提供各种工具函数，如ONNX导出、模型可视化、回调函数和损失函数等。
详情请参考 研发工具 页面。
支持的模型
排序模型 (Ranking Models) - 13 个导出类
- DeepFM、WideDeep、DCN、DCNv2、DIN、DIEN、BST、AFM、AutoInt、FiBiNet、DeepFFM、FatDeepFFM、EDCN
召回模型 (Matching Models) - 12 个导出类
- DSSM、YoutubeDNN、YoutubeSBC、MIND、SINE、GRU4Rec、SASRec、NARM、STAMP、ComirecDR、ComirecSA、FaceBookDSSM
多任务模型 (Multi-Task Models) - 5个
- ESMM、MMoE、PLE、AITM、SharedBottom
生成式推荐 (Generative Recommendation) - 4 个
- HSTU、HLLM、RQ-VAE、TIGER
快速开始
要开始使用 Torch-RecHub，请参考 快速入门 页面，了解如何安装框架并运行第一个示例。
生产部署
Torch-RecHub 支持将训练好的模型导出为 ONNX 格式，便于部署到生产环境。详情请参考 生产部署 页面。
社区贡献
我们欢迎各种形式的贡献！请查看 贡献指南 了解详细的贡献流程。
常见问题
如果您在使用过程中遇到问题，请查看 常见问题 页面，或在 GitHub 上提交 Issue。