开源项目Recommender 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，包括Match（召回）（NCF、SASRec、STAMP等）、Rank（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.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；
- 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；
- 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，并且带有标准的注释；
1、通过git命令git clone https://github.com/ZiyaoGeng/Recommender-System-with-TF2.0.git或者直接下载；
2、实验环境：Python3.7，Tensorflow2.0-CPU/GPU；
3、根据自己数据集的位置，合理更改所需模型文件内train.py的file路径；
4、设置超参数，直接运行即可；
| Paper|Model | Published in | Author |
|---|---|---|
| Matrix Factorization Techniques for Recommender Systems|MF | IEEE Computer Society,2009 | Koren|Yahoo Research |
| Neural network-based Collaborative Filtering|NCF | WWW, 2017 | Xiangnan He |
| Self-Attentive Sequential Recommendation｜SASRec | ICDM, 2018 | UCSD |
| STAMP: Short-Term Attention/Memory Priority Model for Session-based Recommendation| STAMP | KDD, 2018 | Qiao Liu |
| Paper｜Model | Published in | Author |
|---|---|---|
| Factorization Machines|FM | ICDM, 2010 | Steffen Rendle |
| Field-aware Factorization Machines for CTR Prediction｜FFM | RecSys, 2016 | Yuchin Juan｜Criteo Research |
| Wide & Deep Learning for Recommender Systems｜WDL | DLRS, 2016 | Google Inc. |
| Deep Crossing: Web-Scale Modeling without Manually Crafted Combinatorial Features|Deep Crossing | KDD, 2016 | Microsoft Research |
| Product-based Neural Networks for User Response Prediction|PNN | ICDM, 2016 | Shanghai Jiao Tong University |
| Deep & Cross Network for Ad Click Predictions｜DCN | ADKDD, 2017 | Stanford University｜Google Inc. |
| Neural Factorization Machines for Sparse Predictive Analytics|NFM | SIGIR, 2017 | Xiangnan He |
| Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks|AFM | IJCAI, 2017 | Zhejiang University|National University of Singapore |
| DeepFM: A Factorization-Machine based Neural Network for CTR Prediction|DeepFM | IJCAI, 2017 | Harbin Institute of Technology|Noah’s Ark Research Lab, Huawei |
| xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems|xDeepFM | KDD, 2018 | University of Science and Technology of China |
| Deep Interest Network for Click-Through Rate Prediction|DIN | KDD, 2018 | Alibaba Group |
项目中会存在一些代码Bug，感谢以下朋友指出问题：
-
wangzhe258369：指出在DIN模型中
tf.keras.layers.BatchNormalization默认行为是training=False，此时不会去更新BN中的moving_mean和moving_variance变量。但是重新修改了DIN模型代码内容时，再仔细查找了资料，发现：如果使用模型调用fit()的话，是可以不给的（官方推荐是不给），因为在fit()的时候，模型会自己根据相应的阶段（是train阶段还是inference阶段）决定training值，这是由learning——phase机制实现的。
-
boluochuile：发现SASRec模型训练出错，原因是验证集必须使用
tuple的方式，已更正； -
boluochuile：指出SASRec模型中label赋值的问题，
data_df.loc[data_df.label >= 2, 'label'] = 1 data_df.loc[data_df.label < 2, 'label'] = 0
应该颠倒，已更正；
1、对于项目有任何建议或问题，可以在Issue留言，或者可以添加作者微信zgzjhzgzy。
2、作者有一个自己的公众号：推荐算法的小齿轮，如果喜欢里面的内容，不妨点个关注。
