2 रिपॉजिटरी
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
AI के साथ बेहतरीन रिपॉजिटरी खोजें।हम AI का उपयोग करके सबसे सटीक रिपॉजिटरी खोजेंगे।
- datawhalechina/team-learning-rs
datawhalechina/team-learning-rs
7,180GitHub पर देखेंयह प्रोजेक्ट एक एंड-टू-एंड रिकमेंडेशन पाइपलाइन और फ्रेमवर्क है जिसे जेनरेटिव रिकमेंडेशन इंजन बनाने के लिए डिज़ाइन किया गया है। यह व्यक्तिगत आइटम डिस्कवरी को सुविधाजनक बनाने के लिए लार्ज लैंग्वेज मॉडल और वेक्टर सर्च का उपयोग करता है, और टोकनाइज़ेशन तथा सिमेंटिक अलाइनमेंट के माध्यम से आइटम रिकमेंडेशन तैयार करता है। सिस्टम एक जेनरेटिव रिकमेंडेशन इंजन को मल्टी-ऑब्जेक्टिव रैंकिंग सिस्टम और वेक्टर सर्च रिट्रीवल पाइपलाइन के साथ एकीकृत करता है। ये घटक आइटम्स पर इन्फरेंस करने के लिए रीजनिंग फ्रेमवर्क के उपयोग और आउटपुट परिणामों की विविधता को अनुकूलित करने के लिए री-रैंकिंग एल्गोरिदम के अनुप्रयोग की अनुमति देते हैं। यह फ्रेमवर्क रिकमेंडेशन डेवलपमेंट के पूरे लाइफसाइकिल को कवर करता है, जिसमें कैंडिडेट रिट्रीवल ऑप्टिमाइज़ेशन, यूजर प्रेफरेंस मॉडलिंग, और डिप्लॉयमेंट के लिए ऑफलाइन-ऑनलाइन पाइपलाइन स्प्लिट्स का निर्माण शामिल है। इसमें विभिन्न हार्डवेयर स्केल्स पर प्रदर्शन बनाए रखने के लिए हार्डवेयर-अवेयर सीक्वेंस मॉडलिंग भी शामिल है।
Predicts user interests using multi-objective modeling and feature crossing to rank candidates precisely.
Python - hexiangnan/neural_collaborative_filtering
hexiangnan/neural_collaborative_filtering
1,885GitHub पर देखेंNeural 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
