PaddleRec: A Python repository from Viktor-Paul

(简体中文|English)

什么是推荐系统?

推荐系统是在互联网信息爆炸式增长的时代背景下，帮助用户高效获得感兴趣信息的关键；
推荐系统也是帮助产品最大限度吸引用户、留存用户、增加用户粘性、提高用户转化率的银弹。
有无数优秀的产品依靠用户可感知的推荐系统建立了良好的口碑，也有无数的公司依靠直击用户痛点的推荐系统在行业中占领了一席之地。

可以说，谁能掌握和利用好推荐系统，谁就能在信息分发的激烈竞争中抢得先机。但与此同时，有着许多问题困扰着推荐系统的开发者，比如：庞大的数据量，复杂的模型结构，低效的分布式训练环境，波动的在离线一致性，苛刻的上线部署要求，以上种种，不胜枚举。

什么是PaddleRec?

源于飞桨生态的搜索推荐模型 一站式开箱即用工具
适合初学者，开发者，研究者的推荐系统全流程解决方案

包含内容理解、匹配、召回、排序、多任务、重排序等多个任务的完整推荐搜索算法库

方向	模型	单机CPU	单机GPU	分布式CPU	分布式GPU	论文
内容理解	Text-Classifcation	✓	✓	✓	x	[EMNLP 2014]Convolutional neural networks for sentence classication
内容理解	TagSpace	✓	✓	✓	x	[EMNLP 2014]TagSpace: Semantic Embeddings from Hashtags
匹配	DSSM	✓	✓	✓	x	[CIKM 2013]Learning Deep Structured Semantic Models for Web Search using Clickthrough Data
匹配	MultiView-Simnet	✓	✓	✓	x	[WWW 2015]A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems
召回	TDM	✓	>=1.8.0	✓	>=1.8.0	[KDD 2018]Learning Tree-based Deep Model for Recommender Systems
召回	fasttext	✓	✓	x	x	[EACL 2017]Bag of Tricks for Efficient Text Classification
召回	Word2Vec	✓	✓	✓	x	[NIPS 2013]Distributed Representations of Words and Phrases and their Compositionality
召回	SSR	✓	✓	✓	✓	[SIGIR 2016]Multi-Rate Deep Learning for Temporal Recommendation
召回	Gru4Rec	✓	✓	✓	✓	[2015]Session-based Recommendations with Recurrent Neural Networks
召回	Youtube_dnn	✓	✓	✓	✓	[RecSys 2016]Deep Neural Networks for YouTube Recommendations
召回	NCF	✓	✓	✓	✓	[WWW 2017]Neural Collaborative Filtering
召回	GNN	✓	✓	✓	✓	[AAAI 2019]Session-based Recommendation with Graph Neural Networks
召回	RALM	✓	✓	✓	✓	[KDD 2019]Real-time Attention Based Look-alike Model for Recommender System
排序	Logistic Regression	✓	x	✓	x	/
排序	Dnn	✓	✓	✓	✓	/
排序	FM	✓	x	✓	x	[IEEE Data Mining 2010]Factorization machines
排序	FFM	✓	x	✓	x	[RECSYS 2016]Field-aware Factorization Machines for CTR Prediction
排序	FNN	✓	x	✓	x	[ECIR 2016]Deep Learning over Multi-field Categorical Data
排序	Deep Crossing	✓	x	✓	x	[ACM 2016]Deep Crossing: Web-Scale Modeling without Manually Crafted Combinatorial Features
排序	Pnn	✓	x	✓	x	[ICDM 2016]Product-based Neural Networks for User Response Prediction
排序	DCN	✓	x	✓	x	[KDD 2017]Deep & Cross Network for Ad Click Predictions
排序	NFM	✓	x	✓	x	[SIGIR 2017]Neural Factorization Machines for Sparse Predictive Analytics
排序	AFM	✓	x	✓	x	[IJCAI 2017]Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks
排序	DeepFM	✓	x	✓	x	[IJCAI 2017]DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
排序	xDeepFM	✓	x	✓	x	[KDD 2018]xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems
排序	DIN	✓	x	✓	x	[KDD 2018]Deep Interest Network for Click-Through Rate Prediction
排序	DIEN	✓	x	✓	x	[AAAI 2019]Deep Interest Evolution Network for Click-Through Rate Prediction
排序	BST	✓	x	✓	x	[DLP_KDD 2019]Behavior Sequence Transformer for E-commerce Recommendation in Alibaba
排序	AutoInt	✓	x	✓	x	[CIKM 2019]AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks
排序	Wide&Deep	✓	x	✓	x	[DLRS 2016]Wide & Deep Learning for Recommender Systems
排序	FGCNN	✓	✓	✓	✓	[WWW 2019]Feature Generation by Convolutional Neural Network for Click-Through Rate Prediction
排序	Fibinet	✓	✓	✓	✓	[RecSys19]FiBiNET: Combining Feature Importance and Bilinear feature Interaction for Click-Through Rate Prediction
排序	Flen	✓	✓	✓	✓	[2019]FLEN: Leveraging Field for Scalable CTR Prediction
多任务	ESMM	✓	✓	✓	✓	[SIGIR 2018]Entire Space Multi-Task Model: An Effective Approach for Estimating Post-Click Conversion Rate
多任务	MMOE	✓	✓	✓	✓	[KDD 2018]Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts
多任务	ShareBottom	✓	✓	✓	✓	[1998]Multitask learning
重排序	Listwise	✓	✓	✓	x	[2019]Sequential Evaluation and Generation Framework for Combinatorial Recommender System

快速安装

环境要求

Python 2.7/ 3.5 / 3.6 / 3.7
PaddlePaddle >= 1.7.2
操作系统: Windows/Mac/Linux

Windows下PaddleRec目前仅支持单机训练，分布式训练建议使用Linux环境

安装命令

安装方法一 PIP源直接安装
```
python -m pip install paddle-rec
```
该方法会默认下载安装paddlepaddle v1.7.2 cpu版本，若提示PaddlePaddle无法安装，则依照下述方法首先安装PaddlePaddle，再安装PaddleRec：
- 可以在该地址，下载PaddlePaddle后手动安装whl包
- 可以先pip安装PaddlePaddle，python -m pip install paddlepaddle==1.7.2 -i https://mirror.baidu.com/pypi/simple
- 其他安装问题可以在Paddle Issue或PaddleRec Issue提出，会有工程师及时解答

安装方法二 源码编译安装

安装飞桨 注：需要用户安装版本 == 1.7.2 的飞桨

python -m pip install paddlepaddle==1.7.2 -i https://mirror.baidu.com/pypi/simple

源码安装PaddleRec

git clone https://github.com/PaddlePaddle/PaddleRec/
cd PaddleRec
python setup.py install

PaddleRec-GPU安装方法

在使用方法一或方法二完成PaddleRec安装后，需再手动安装paddlepaddle-gpu，并根据自身环境(Cuda/Cudnn)选择合适的版本，安装教程请查阅飞桨-开始使用

一键启动

我们以排序模型中的dnn模型为例介绍PaddleRec的一键启动。训练数据来源为Criteo数据集，我们从中截取了100条数据：

# 使用CPU进行单机训练
python -m paddlerec.run -m paddlerec.models.rank.dnn

帮助文档

项目背景

快速开始

十分钟上手PaddleRec

入门教程

进阶教程

Benchmark

Benchmark

FAQ

常见问题FAQ

社区

版本历史

2020.06.17 - PaddleRec v0.1.0
2020.06.03 - PaddleRec v0.0.2
2020.05.14 - PaddleRec v0.0.1

许可证书

本项目的发布受Apache 2.0 license许可认证。

联系我们

如有意见、建议及使用中的BUG，欢迎在GitHub Issue提交

亦可通过以下方式与我们沟通交流：

QQ群号码：861717190
微信小助手微信号：paddlerec2020

PaddleRec交流QQ群 PaddleRec微信小助手

Viktor-Paul/PaddleRec