2 مستودعات
Awesome GitHub RepositoriesCTR Multi-Task Models
Multi-task learning architectures specifically designed for click-through rate prediction using shared-bottom, ESMM, MMOE, or PLE patterns.
Distinct from Multi-Task Learning Models: Distinct from Multi-Task Learning Models: focuses on CTR-specific multi-task architectures like ESMM and MMOE, not general sequence-based multi-task models.
Explore 2 awesome GitHub repositories matching artificial intelligence & ml · CTR Multi-Task Models. Refine with filters or upvote what's useful.
Awesome CTR Multi-Task Models GitHub Repositories
اعثر على أفضل المستودعات باستخدام الذكاء الاصطناعي.سنبحث عن أفضل المستودعات المطابقة باستخدام الذكاء الاصطناعي.
- py-why/econml
py-why/EconML
4,683عرض على GitHubEconML هي مكتبة Python للاستدلال السببي مصممة لتقدير تأثيرات العلاج غير المتجانسة باستخدام مزيج من تعلم الآلة والاقتصاد القياسي. تعمل كمجموعة أدوات لحساب تأثيرات العلاج المتوسطة المشروطة لتحديد كيفية تأثير تدخلات معينة على الأفراد أو المجموعات الفرعية. يوفر المشروع إطار عمل لتعلم الآلة المزدوج وتعلم الآلة المتعامد لعزل الإشارات السببية من المربكات عالية الأبعاد. يتضمن المشروع تطبيقات متخصصة للغابات السببية ومتعلمي المتغيرات الآلية، مما يسمح باستعادة العلاقات السببية حتى في وجود مربكات غير ملاحظة. تغطي المكتبة مجموعة واسعة من الإمكانيات بما في ذلك التحقق من النموذج السببي من خلال اختبارات الدحض ومنحنيات المعايرة، وبناء سياسات علاج شخصية، وتحليل أنظمة العلاج الديناميكية. كما تدعم المكتبة الاستدلال الإحصائي لتحديد عدم اليقين وتفسير عدم تجانس التأثير باستخدام النماذج القائمة على الأشجار وقيم Shapley. يتم تنفيذ المشروع وتوضيحه بشكل أساسي من خلال دفاتر Jupyter.
Fits a multi-task linear model with L1 regularization and sample weights to handle biased observational data.
Jupyter Notebookcausal-inferencecausalityeconometrics - shenweichen/deepctr-torch
shenweichen/DeepCTR-Torch
3,376عرض على GitHubDeepCTR-Torch is a deep learning library for building click-through rate prediction models. It provides a modular framework for assembling custom prediction architectures from pre-built core, interaction, and sequence layers, enabling the construction of deep neural networks that estimate click probability from user behavior data. The library specializes in feature interaction modeling, offering components for learning low-order, high-order, and adaptive-order feature crosses. It supports multi-task learning for predicting multiple objectives simultaneously, such as click and conversion rates
Train multiple prediction objectives simultaneously using shared-bottom, ESMM, MMOE, or PLE architectures.
Pythonctr-modelsdeep-learningdeepctr
