recommender-systems

Modernste Deep-Learning-Skripte, organisiert nach Modellen – einfach zu trainieren und bereitzustellen mit reproduzierbarer Genauigkeit und Leistung auf Infrastruktur für den Unternehmenseinsatz.

Eine einheitliche, umfassende und effiziente Empfehlungsbibliothek

Von großen Tech-Unternehmen veröffentlichte KI-Praxisberichte, die neuesten Forschungsarbeiten aus Spitzenlaboren und reale Erfahrungsberichte aus der Industrie

Repository mit Quellcode für „Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations“ (https://arxiv.org/abs/2402.17152).

Umfrage: Eine Sammlung von AWESOME-Arbeiten und Ressourcen zu Empfehlungssystemen im Zusammenhang mit Large Language Models (LLM).

Eine konfigurierbare, anpassbare und reproduzierbare Bibliothek für die CTR-Vorhersage https://fuxictr.github.io

GRID: Generative Empfehlung mit semantischen IDs

Einführungsleitfaden für Empfehlungssysteme, der theoretisches Wissen über industrielle Empfehlungssysteme umfassend vorstellt (Shusen Wangs offener Kurs zu Empfehlungssystemen – erklärt reale industrielle Empfehlungssysteme am Szenario von Xiaohongshu), wie man Modelle basierend auf TensorFlow2 trainiert und wie man leistungsstarke, hoch并发-fähige (hochskalierbare) und hochverfügbare Golang-Inferenz-Mikrodienste implementiert.

⚡️Eine blitzschnelle Python-Bibliothek für Ranking-Evaluierung, -Vergleich und -Fusion 🐍

[WSDM'2024 Oral] SSLRec: Ein selbstüberwachtes Lern-Framework für Empfehlungssysteme.

Eine TensorFlow-Implementierung von Knowledge Graph Convolutional Networks

PyTorch-Version von Neural Collaborative Filtering.