Github项目---使用TF2.0进行推荐论文复现

最新推荐文章于 2025-04-23 20:04:18 发布
原创 最新推荐文章于 2025-04-23 20:04:18 发布
· 1k 阅读 · 2 ·
版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#python #深度学习 #大数据 #人工智能 #java

本文档介绍了使用TensorFlow 2.0复现的推荐系统论文，包括NCF、DIN、Wide&Deep和DCN模型。详细阐述了每个模型的构建、数据集来源，并提供了代码链接和原始论文地址。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言

看过一些比较知名的推荐系统、CTR预估论文。开【Recommended-System with TensorFlow 2.0】的原因有三个：

  1. 论文只看理论感觉有些地方简单，但是实践起来却比较困难；

  2. 为了更好的理解论文，增强自己的工程能力；

  3. 很多论文给出的复现代码都是TF1.x，对于使用TF2.0的我来说，很难理解【TF1.x学习不系统】；

所以想开一个TF2.0的Project，来对部分论文进行实验的复现。当然也看过一些知名的开源项目，如deepcrt等，不过发现对自己来说，只适合拿来参考【代码水平太高了，写不出来】。

关于【Recommended-System with TensorFlow 2.0】，模型基本按照论文进行构建，实验尽量使用论文给出的的公共数据集。如果论文给出github代码，会进行参考。

目前复现的模型有：NCF、DIN、Wide&Deep、DCN。

地址：https://github.com/ZiyaoGeng/Recommender-System-with-TF2.0【求大佬给个Star】

快速导航：

  1. NCF

  2. DIN

  3. Wide&Deep

  4. DCN

最低0.47元/天 解锁文章
Blank_spaces
关注
Github项目复现流程
weixin_58566297的博客
04-18 2224
服务器配置好之后，下面就可以复现自己找的项目了 ，首先进入所找项目的 Github 链接。下图主要就是仓库里的东西了，你可以看到就是一个个文件夹或文件，里面可能是代码文件，也可能是其他文档，图片什么的。点击可以看。以上 star 数越多，证明所找项目越流行，复现人数也越多滑到最下面，可以看到一个叫 README.md 的一段文字，仔细看，它就是仓库里的一个文件，只不过展示出来了。它就像产品说明书，或者是一个介绍页，告诉你这个仓库的有关信息，让你对仓库有了简单的了解。
Github开源项目---使用TF2.0对经典推荐论文进行复现【持续更新中...】
Blank_Space
07-28 1697
前言又来推荐自己的Github项目了：开源项目Recommended System with TF2.0主要是对阅读过的部分推荐系统、CTR预估论文进行复现。建立的原因有三个：理论和实践...
GitHub开源项目复现指南
m0_74480168的博客
02-12 2777
你是否曾在GitHub复现项目时被环境配置、SSH报错、连接超时等问题折磨？本文以热门项目ChatTTS为例，手把手带你了解GitHub复现全流程！从Git安装、SSH密钥配置的底层原理，到域名解析失败、代理冲突等“玄学”报错的深度解析，再到虚拟环境管理的实用技巧，作者以踩坑经验为你铺平道路。本文提供终端指令逐行解读，揭秘Git配置，教你用修改Hosts文件绕过DNS污染。如果你是被Connection refused逼疯的萌新，这篇指南能让你少走几小时弯路——因为每一个报错，都是作者曾经的深夜抓马（哭
复现 GitHub 项目：步骤指南
最新发布
amorsa的博客
04-23 915
对于小白来说在 GitHub 上复现深度学习项目可以是一个非常有益的学习过程（但是这个过程往往痛苦不堪），它能帮助你理解代码实现的细节，并可能为你自己的项目提供参考。下面是一个详细的步骤指南，帮助你复现 GitHub 上的项目。
fastspeech复现github项目--模型构建
zzfive的博客
08-22 1729
fastspeech复现github项目--模型构建
fastspeech复现github项目--数据准备
zzfive的博客
08-17 1229
fastspeech复现github仓库解析
github项目复现和讲解之--------ML-for-SQL-Injection
东方
07-27 744
复现原文 相关算法基础 作者的readme ML-for-SQL-Injection 机器学习检测SQL注入 本项目是使用机器学习算法来分类SQL注入语句与正常语句： 使用了SVM,Adaboost，决策树，随机森林，逻辑斯蒂回归，KNN，贝叶斯等算法分别对SQL注入语句与正常语句进行分类。 data是收集的样本数据 file中存放的是训练好的各个模型 featurepossess.py是对原始样本进行预处理，提特征。 sqlsvm.py等py文件是训练模型 testsql是对训练好的模型进行测试，用准确
Github开源项目2.0---使用TensorFlow2.0对经典推荐论文进行复现【持续更新中...】
Blank_Space
07-29 1296
前言由于昨天复制未发现链接失效了，所以今天再发一遍。希望大家可以star一下我的GitHub开源项目：Recommended System with TF2.0。地址：https://...
Github上超火的Python开源项目-对经典论文进行复现
weixin_42686892的博客
03-11 2341
建立原因 开源项目Recommended System with TF2.0主要是对阅读过的部分推荐系统、CTR预估论文进行复现。建立的原因有三个： 理论和实践似乎有很大的间隔，学术界与工业界的差距更是如此； 更好的理解论文的核心内容，增强自己的工程能力； 很多论文给出的开源代码都是TF1.x，因此想要用更简单的TF2.0进行复现； 当然也看过一些知名的开源项目，如DeepCTR等，不过对自己目前的水平来说，只适合拿来参考。 项目特点 项目特点： 使用TF2.0-CPU进行复现； 每个模型都是
2018阿里广告点击率预估模型---DIN，Tensorflow2.0代码实践，并附上github
Blank_Space
05-28 3523
前言 最近看了2018年阿里在KDD上发表的论文《Deep Interest Network for Click-Through Rate Prediction》，想复现下，看了文章给出的github开源代码，发现环境是TF1.4的，并且注释太少，有些没大理解【还是太菜了】，因此准备参考原有代码使用TF2.0来对模型进行简单的复现。如果有些地方有些出入或者错误，请大佬们给我指出，感谢【因为现在没服务器，所以没像开源中跑完50个epoch】 数据分析 1、数据集为论文中的Amazon Dataset，下载并解
github项目复现初体验1：构建对应的pytorch和cuda环境
qq_42584522的博客
09-09 1430
去pytorch的官网找到cuda对应版本的pytorch,这里我们选择torch 2.0.0，找到pip安装语法。首先我们在服务器上先安装cpu版本的pytorch然后再用官网给定的pip方式安装，不知道为什么conda安装语法就会报错这时我们在服务器输入python,并运行下面代码，如果显示True则说明gpu版本的pytorch安装完成。
RecommenderOnTf2:基于TensorFlow 2.3实现的推荐系统神经网络，主要关注模型构建，基本不包含数据预处理阶段
03-11
TensorFlow2.3的推荐系统 github上的算法代码很多，但是容易看明白模型的计算方法不多这里的代码只关注于model部分，使用jupyter，不用下数据，代码里手动构造数据，不涉及任何数据预处理（但模型的输入）格式和含义会引起），不会对模型左一层右一层包裹，注释会逐渐补充上去。能适应自己的需求 注释在慢慢补= =，最近有点忙
Recommender-System-with-TF2.0:使用Tensorflow2.0重复推荐纸
03-11
前言 带有TF2.0的开源项目Recommender System with TF2.0主要是对经典的推荐系统论文进行复现，包括匹配（召回） （NCF，SASRec，STAMP等），排名（粗排） （WDL，DCN等）。 建立原因： 理论和实践似乎有很大的间隔，学术界与工业界的差异更容易； 更好的理解论文的核心内容，增强自己的工程能力； 很多论文定义的开源代码都是TF1.x，因此想要用更简单的TF2.x进行复现； 项目特点： 使用Tensorflow2.x进行复现； 每个模型都是相互独立的，不存在依赖关系（当然因为这也增加了很多重复工作）； 模型基本遵循论文进行重建，实验尝试使用论文转化的的公共数据集； 模型都附有README.md ，对于模型的训练使用有详细的介绍； 代码源文件参数，函数命名规范，并带有标准的注释； 重要更新 【2020.12.20】在Top-K模型中，评估方式为正负样本1
Recommend-System-tf2.0:原理解析及代码实战，推荐算法也可以很简单:fire:想要系统的学习推荐算法的小伙伴，给个星支持一下吧！:rocket:有任何疑问欢迎提问题，也可加文末的联系方式向我询问！
04-05
推荐系统-TF2.0 此仓库用于记录在学习推荐系统过程中的知识积累，主要是对经典推荐算法的原理解析及代码实现。 算法包含但至少先前下图中的算法，持续更新中... 型号清单 模型 纸 [ICDM 2010]使用 [CIKM 2015] [RecSys 2016] [ECIR 2016]基于 [ICDM 2016] [DLRS 2016] [KDD 2016] [IJCAI 2017] [ADKDD 2017] [IJCAI 2017] [SIGIR 2017] 分段线性模型 [arxiv 2017] [KDD 2018] [KDD 2018] 调频调频 [WWW 2018] [CIKM 2019] 迪恩 [AAAI 2019] 恩恩 [arxiv 2019] [WWW 2019] DSIN [IJCAI 2019] 菲比网 [RecSys 2019] 弗伦 [arxiv 2019]
github项目复现注意事项
东方
04-04 1394
1 一定要先去xml 文件看看版本和环境 不然可能出现各种无法预知的错误。 以pycharm 的Python项目为例 misc.xml文件中 <?xml version="1.0" encoding="UTF-8"?> <project version="4"> <component name="ProjectRootManager" version="2" project-jdk-name="Python 3.6.3 (C:\ProgramData\Anaconda3\
如何复现Github上的项目以及conda的常用操作指令
weixin_45720999的博客
08-19 2199
在GitHub上关于深度学习的项目代码通常包含多种类型的文件，每种文件都有其特定的作用。以下是一些常见的文件及其作用的概述：一个__init__.py：一个目录如果包含了__init__.py文件，那么它就变成了一个包。该文件可以为空，也可以定义包的属性和方法，但它必须存在。datasets：数据相关操作，比如用Dataset封装数据集，再用Dataloader实现数据并加载。
复现github项目的基本步骤
weixin_43456772的博客
01-18 7546
查看 Issues：如果在复现过程中遇到问题，查看项目的 Issues 页面，看看是否有人遇到并解决了类似的问题。每个项目都是独特的，所以这些步骤可能需要根据项目的具体情况进行调整。始终参考项目文档是一个好习惯。检查文档：阅读项目的 README.md 文件，了解需要安装哪些依赖。遵循项目说明：根据 README.md 或其他文档中的说明运行项目。运行测试：如果项目包含测试，运行这些测试以确保一切正常。找到项目仓库：在 GitHub 上找到你想复现的项目。编译代码：如果项目需要编译，请执行相应的编译步骤。
【推荐算法代码实现】Deep Interest Network for Click-Through Rate Prediction代码实现和解读
qq_36643449的博客
03-13 3011
论文解读见【推荐算法】深度学习推荐算法综述 Deep Learning based Recommender System: A Survey and New Perspectives第6.2小节。 一、数据处理 1.1 基础数据 论文中用的是Amazon Product Data数据，包含两个文件：reviews_Electronics_5.json, meta_Electronics.json 下载并解压： wget -c http://snap.stanford.edu/data/amazon/prod
Deep Interest Network代码讲解
泡泡龙的泡泡
11-14 1129
代码链接：https://github.com/zhougr1993/DeepInterestNetwork 论文数据下载：http://snap.stanford.edu/data/amazon/productGraph/categoryFiles/reviews_Electronics_5.json.gz http://snap.stanford.edu/data/amazon/productGraph/categoryFiles/meta_Electronics.json.gz 在代码DeepInte
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值