2 مستودعات
Awesome GitHub RepositoriesRecommendation Benchmarks
Standardized environments and datasets used to compare the performance of recommendation algorithms.
Distinguishing note: Focuses on the environment for comparison rather than just the dataset or the model.
Explore 2 awesome GitHub repositories matching artificial intelligence & ml · Recommendation Benchmarks. Refine with filters or upvote what's useful.
Awesome Recommendation Benchmarks GitHub Repositories
اعثر على أفضل المستودعات باستخدام الذكاء الاصطناعي.سنبحث عن أفضل المستودعات المطابقة باستخدام الذكاء الاصطناعي.
- rucaibox/recbole
RUCAIBox/RecBole
4,487عرض على GitHubRecBole هو إطار عمل توصية يعتمد على PyTorch مصمم لبناء وتدريب وتقييم مجموعة واسعة من خوارزميات التوصية. يعمل كبيئة قياسية للمقارنة تسمح بمقارنة بنى النماذج المختلفة باستخدام مجموعات البيانات العامة ومقاييس التقييم المتسقة. يوفر المشروع مجموعات أدوات متخصصة للتوصية المتسلسلة وتكامل الرسوم البيانية المعرفية، مما يتيح التنبؤ بتسلسلات العناصر بناءً على سجل المستخدم أو دمج المعرفة الخارجية المهيكلة. ويتضمن محركاً مخصصاً لتحسين المعلمات الفائقة يستخدم البحث الشبكي والتحسين البايزي لضبط تكوينات النموذج. يغطي إطار العمل مجموعة واسعة من القدرات بما في ذلك إدارة البيانات لتوحيد سجلات التفاعل، وخطوط أنابيب التدريب مع مزامنة التدرج الموزعة والتنفيذ المختلط الدقة، وأدوات تقييم شاملة لترتيب المرشحين وتحليل التنوع. ويدعم أنواع توصية متعددة، مثل التصفية التعاونية العامة والتنبؤ بمعدل النقر. تم تنفيذ المكتبة بلغة Python وتستخدم PyTorch لإطار عمل التوصية الأساسي الخاص بها.
Offers a standardized environment for comparing recommendation models using public datasets and consistent evaluation metrics.
Python - hexiangnan/neural_collaborative_filtering
hexiangnan/neural_collaborative_filtering
1,885عرض على GitHubNeural collaborative filtering is a recommendation system framework that predicts user item preferences from implicit feedback by combining generalized matrix factorization and multi-layer perceptron networks through a shared final embedding layer. It captures both linear and non-linear interactions to model user preferences from historical data. The framework executes training and evaluation runs through a configuration-driven pipeline accessible via command-line interfaces, parsing hyperparameters such as learning rates, batch sizes, and latent dimensions. It optimizes implicit feedback mod
Measures the ranking quality of item recommendations using benchmark datasets with positive interactions and negative samples.
Pythoncollaborative-filteringdeep-learningrecommender-system
