test2
想练习下用pytorch来复现下经典的推荐系统模型
1 实现了MF(Matrix Factorization, 矩阵分解),在movielen 100k数据集上mse为0.853左右
2 实现了FM(Factorization machines, 因子分解机), 在movielen 100k数据集上mse为0.852 (只使用u, i, ratings 三元组的因子分解机与mf其实是一样的, 故在相同数据集上的结果也差不多)
参考论文:Steffen Rendle, Factorization Machines, ICDM 2010.
3 DeepConn是第一篇使用深度学习模型利用评论信息进行推荐的文章,后面有很多改进工作如Transnets(ResSys2017), NARRE(www2018)等 所以说,这是篇非常值得认真阅读和复现的论文。
数据集下载地址:http://jmcauley.ucsd.edu/data/amazon/
使用的预训练文件下载地址:https://code.google.com/archive/p/word2vec/ 下载GoogleNews-vectors-negative300.bin 文件放入data/embedding_data中
使用方法:1. 运行pre_precessing.py文件 2. 运行train文件
实验结果(mse): office: 0.777, video_game: 1.182
参考论文:L.zheng et al, Joint deep modeling of users and items using reviews for recommendation, WSDM 2017.
4 MMOE是谷歌于2018年提出的一种多任务学习推荐模型,被用于YouTube视频推荐场景,效果良好,被业界广泛关注,我在实习时线上模型也采用了MMOE的改进模型,叫PLE。 我在census数据集上进行实验,实验结果比原文差一点。
实验结果(AUC):'income':0.942, 'marital': 0.977 原文是0.941, 0.9927
参考论文:J.Ma et al, Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts, KDD 2018. Z.Zhao et al, Recommending What Video to Watch Next: A Multitask Ranking System, RecSys 2019. Hongyan Tang, Progressive Layered Extraction (PLE): A Novel Multi-Task Learning (MTL) Model for Personalized Recommendations, RecSys 2020.
5 PLE 也实现了下,一起放在mmoe_model文件夹下了,使用时把mmoe.py中导入模型改为PLE就行了。实验结果与MMOE差不多。
实验结果(AUC):'income':0.939, 'marital': 0.979
6 实现DeepFM,在sample Criteo(是对kaggle Criteo数据集的采样,有1000000个样本)数据上实验了一下,主要参考了这位的代码 https://blog.csdn.net/springtostring/article/details/108157070 但我觉得他的模型部分写的不太对 又自己重新写了。
实验结果(AUC): 0.743
参考论文:HGUO et al, DeepFM: a factorization-machine based neural network for CTR prediction, IJCAI 2017.
7 实现NFM, 数据集同上,主要参考DeepCTR,
实验结果(AUC): 0.710
参考论文:Xiangnan He et al, Neural Factorization Machines for Sparse Predictive Analytics, SIGIR 2017.
8 实现DCN,数据集及参考同上
实验结果(AUC): 0.750
参考论文:Ruoxi Wang et al, Deep & Cross Network for Ad Click Predictions, ADKDD 2017.
9 实现AFM, 数据集及参考同上
实验结果(AUC): 0.715
参考论文:Jun Xiao et al, Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks, IJCAI 2017.
10 实现AutoInt, 数据集及参考同上
实验结果(AUC):0.717
参考论文:Weiping Song et al, AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks, CIKM 2019.
11 实现ONN,数据集及参考同上
实验结果(AUC):0.735
参考论文:Yi Yang et al, Operation-aware Neural Networks for user response prediction, Neural Networks 2020.
12 实现FiBiNET,数据集及参考同上
实验结果(AUC):0.698
参考论文:Tongwen Huang et al, FiBiNET: Combining Feature Importance and Bilinear feature Interaction for Click-Through Rate Prediction, RecSys 2019.
13 实现Wide&Deep,数据集及参考同上
实验结果(AUC):0.728
参考论文:Heng-Tze Cheng et al, Wide & Deep Learning for Recommender Systems, RecSys workshop/dlrs 2016.
14 实现DCN-v2,数据集及参考同上
实验结果(AUC):0.748
参考论文:Ruoxi Wang et al, DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems, WWW 2021.
15 实现AFN,数据集及参考同上
实验结果(AUC):0.720
参考论文:Weiyu Cheng et al, Adaptive Factorization Network: Learning Adaptive-Order Feature Interactions, AAAI 2020.
16 实现DCAP,数据集同上
实验结果(AUC):0.709
参考论文:Zekai Chen et al, DCAP: Deep Cross Attentional Product Network for User Response Prediction, CIKM 2021.