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 GPU 加速能力。
• 丰富的模型库: 包含多种经典和前沿的推荐算法（请在下方列出）。
• 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: 通过配置文件或命令行参数轻松调整实验设置。
• 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

数据层设计

特征类

数值型特征

• 例如年龄、薪资、日点击量等

类别型特征

• 例如城市、学历、性别等
• LabelEncoder编码，得到Embedding向量

序列特征

• 有序兴趣序列：例如最近一周点击过的item list
• 无序标签特征：例如电影类型（动作|悬疑|犯罪）
• LabelEncoder编码，得到序列Embedding向量
• 池化，降维
• 保留序列，与其他特征进行attention等模型操作
• 与Sparse特征共享Embedding Table

数据类

• Dataset
• Dataloader

工具类

• 序列特征生成
• 样本构造
• 负采样
• 向量化召回

模型层设计

模型类

通用Layer 浅层特征建模

• LR：逻辑回归
• MLP：多层感知机，可通过字典设置dims等参数
• EmbeddinLayer：通用Embedding层，含三类特征的处理，维护一个dict格式的EmbeddingTable，输出经过模型所需要的输入embedding

深层特征建模

• FM、FFM、CIN
• self-attention、target-attention、transformer

定制Layer