召回模型库

简介

我们提供了常见的召回任务中使用的模型算法的PaddleRec实现, 单机训练&预测效果指标以及分布式训练&预测性能指标等。实现的召回模型包括 Word2Vector。

模型算法库在持续添加中，欢迎关注。

目录

• 整体介绍
  • 模型列表
• 使用教程
  • 快速开始
  • 模型效果
  • 效果复现

整体介绍

模型列表

模型	简介	论文
Word2Vec	word2vector	[NIPS 2013]Distributed Representations of Words and Phrases and their Compositionality
Deepwalk	Deepwalk	[KDD 2014]DeepWalk: Online Learning of Social Representations
MIND	Multi-Interest Network with Dynamic Routing	[ACM 2019]Multi-Interest Network with Dynamic Routing for Recommendation at Tmall
NCF	Neural Collaborative Filtering	[WWW 2017]Neural Collaborative Filtering

下面是每个模型的简介（注：图片引用自链接中的论文）

Word2Vec:

Neural Collaborative Filtering 中的neumf网络结构如图所示:

DeepWalk: Online Learning of Social Representations:

使用教程

快速开始

# 进入模型目录
cd models/recall/xxx # xxx为任意的recall下的模型目录
# 动态图训练
python -u ../../../tools/trainer.py -m config.yaml # 全量数据运行config_bigdata.yaml 
# 动态图预测
python -u ../../../tools/infer.py -m config.yaml 

# 静态图训练
python -u ../../../tools/static_trainer.py -m config.yaml # 全量数据运行config_bigdata.yaml 
# 静态图预测
python -u ../../../tools/static_infer.py -m config.yaml 

模型效果

数据集	模型	acc
1 Billion Word Language Model Benchmark	Word2Vec	0.579
BlogCatalog	deepwalk	MacroF1: 0.295
AmazonBook	mind	Recall@50: 8.43%
MovieLens	ncf	HR@10: 0.58

效果复现

您需要进入PaddleRec/datasets目录下的对应数据集中运行脚本获取全量数据集，然后在模型目录下使用全量数据的参数运行。
每个模型下的readme中都有详细的效果复现的教程，您可以进入模型的目录中详细查看。