场景教程导览
本章节聚焦 Torch-RecHub 在不同推荐场景下的实战用法。文档中的代码默认基于仓库内置样本数据，建议在仓库根目录执行。
代码资源：
- 完整 Python 示例脚本：
examples/- 文档内按步骤拆解的教程：
docs/zh/tutorials/
教程列表
| 教程 | 适用场景 | 链接 |
|---|---|---|
| CTR 预测 | 排序 / 点击率预估 | CTR 预测教程 |
| 召回模型 | 双塔召回 / 向量检索 | 召回模型教程 |
| 多任务学习 | CTR/CVR 联合建模 | 多任务教程 |
快速导航
CTR 预测（精排）
适合想快速跑通 WideDeep / DeepFM / DCN 的用户。
python
from torch_rechub.models.ranking import DeepFM
from torch_rechub.trainers import CTRTrainer
model = DeepFM(deep_features=deep_features, fm_features=fm_features, mlp_params={"dims": [256, 128]})
trainer = CTRTrainer(model, device="cuda:0")
trainer.fit(train_dl, val_dl)召回模型
适合想跑通 DSSM / YoutubeDNN / MIND 的双塔或多兴趣召回链路。
python
from torch_rechub.models.matching import DSSM
from torch_rechub.trainers import MatchTrainer
model = DSSM(user_features, item_features)
trainer = MatchTrainer(model, mode=0, device="cuda:0")
trainer.fit(train_dl)多任务学习
适合想了解 MMOE / PLE / ESMM 在 Ali-CCP 样本数据上的训练流程。
python
from torch_rechub.models.multi_task import MMOE
from torch_rechub.trainers import MTLTrainer
model = MMOE(features, task_types=["classification", "classification"], n_expert=8,
expert_params={"dims": [16]}, tower_params_list=[{"dims": [8]}, {"dims": [8]}])
trainer = MTLTrainer(model, task_types=["classification", "classification"], device="cuda:0")
trainer.fit(train_dl, val_dl)模型使用示例
按模型分类的详细使用教程，每篇包含数据准备、模型配置、训练、评估和调优建议。
排序模型
| 模型 | 说明 | 链接 |
|---|---|---|
| DeepFM | FM + Deep 联合模型 | DeepFM 教程 |
| Wide&Deep | 记忆 + 泛化联合模型 | Wide&Deep 教程 |
| DCN / DCNv2 | 显式特征交叉网络 | DCN 教程 |
| DIN | 目标注意力序列模型 | DIN 教程 |
| DIEN | 兴趣演化序列模型 | DIEN 教程 |
| BST | Transformer 序列模型 | BST 教程 |
召回模型
| 模型 | 说明 | 链接 |
|---|---|---|
| DSSM | 双塔语义匹配模型 | DSSM 教程 |
| YoutubeDNN | YouTube 深度召回模型 | YoutubeDNN 教程 |
| MIND | 多兴趣胶囊网络召回 | MIND 教程 |
多任务模型
| 模型 | 说明 | 链接 |
|---|---|---|
| MMOE | 多门控专家混合模型 | MMOE 教程 |
| PLE | 渐进分层提取多任务模型 | PLE 教程 |