2 Repos
Awesome GitHub RepositoriesPreference Modeling
The process of creating mathematical models to represent and predict a user's latent interests.
Distinct from User Preference Settings: Focuses on the algorithmic modeling of interests rather than the UI for managing user settings.
Explore 2 awesome GitHub repositories matching user interface & experience · Preference Modeling. Refine with filters or upvote what's useful.
Awesome Preference Modeling GitHub Repositories
Finde die besten Repos mit KI.Wir suchen mit KI nach den am besten passenden Repositories.
- datawhalechina/team-learning-rs
datawhalechina/team-learning-rs
7,180Auf GitHub ansehenDieses Projekt ist eine End-to-End-Empfehlungs-Pipeline und ein Framework für den Aufbau generativer Empfehlungs-Engines. Es nutzt Large Language Models und Vektorsuche, um personalisierte Entdeckungen zu ermöglichen und Empfehlungen durch Tokenisierung und semantische Ausrichtung zu generieren. Das System integriert eine generative Empfehlungs-Engine mit einem Multi-Objective-Ranking-System und einer Vektorsuch-Pipeline. Diese Komponenten ermöglichen den Einsatz von Reasoning-Frameworks für Inferenz über Elemente sowie den Einsatz von Re-Ranking-Algorithmen zur Optimierung der Ergebnisvielfalt. Das Framework deckt den gesamten Lebenszyklus der Empfehlungsentwicklung ab, einschließlich der Optimierung des Candidate-Retrievals, der Modellierung von Benutzerpräferenzen und der Erstellung von Offline-Online-Pipeline-Splits für das Deployment. Es integriert zudem hardwarebewusste Sequenzmodellierung, um die Performance über verschiedene Hardware-Skalierungen hinweg zu wahren.
Predicts user interests using multi-objective modeling and feature crossing to rank candidates precisely.
Python - hexiangnan/neural_collaborative_filtering
hexiangnan/neural_collaborative_filtering
1,885Auf GitHub ansehenNeural 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
Combines generalized matrix factorization and multi-layer perceptron approaches to learn user preference interactions.
Pythoncollaborative-filteringdeep-learningrecommender-system
