معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Easy-to-use implementations of well-known recommender system algorithms based on Python Tensorflow 2.

ویژگی	مقدار
سیستم عامل	-
نام فایل	easyrec-python-0.0.2
نام	easyrec-python
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Zhiwei Xu
ایمیل نویسنده	zhiweixuchn@gmail.com
آدرس صفحه اصلی	https://github.com/xu-zhiwei/easyrec
آدرس اینترنتی	https://pypi.org/project/easyrec-python/
مجوز	MIT License

## Introduction *easyrec* is an open-sourced and easy-to-use recommender system toolbox based on tensorflow 2. ## License This project is released under the [MIT License](https://github.com/xu-zhiwei/easyrec/blob/main/LICENSE). ## Features | model | source | | ---- | ---- | | Logisitic Regression (LR) | | | Multi-layer Perceptron (MLP) | | | Factorization Machine (FM) | Steffen Rendle. Factorization Machines. ICDM. 2010. | | Deep Structured Semantic Model (DSSM) | Po-Sen Huang et al. Learning Deep Structured Semantic Models for Web Search using Clickthrough Data. CIKM. 2013. | | Field-aware Factorization Machine (FFM) | Yuchin Juan et al. Field-aware Factorization Machines for CTR Prediction. RecSys. 2016. | | Deep Crossing | Ying Shan et al. Deep Crossing: Web-Scale Modeling without Manually Crafted Combinatorial Features. KDD. 2016. | | Factorization-machine supported Neural Network (FNN) | Weinan Zhang. Deep Learning over Multi-field Categorical Data – A Case Study on User Response Prediction. ECIR. 2016. | | Product-based Neural Network (PNN) | Yanru Qu et al. Product-based Neural Networks for User Response Prediction. ICDM. 2016. | | Wide & Deep | Heng-Tze Cheng et al. Wide & Deep Learning for Recommender Systems. RecSys. 2016. | | Attentional Factorization Machine (AFM) | Jun Xiao et al. Attentional Factorization Machines:Learning the Weight of Feature Interactions via Attention Networks. arXiv. 2017. | | Neural Factorization Machine (NFM) | Xiangnan He et al. Neural Factorization Machines for Sparse Predictive Analytics. SIGIR. 2017. | | Neural Matrix Factorization (NMF) | Xiangnan He et al. Neural Collaborative Filtering. WWW. 2017. | | Deep & Cross Network (DCN) | Ruoxi Wang et al. Deep & Cross Network for ad Click Predictions. ADKDD. 2017. | | Deep Factorization Machine (DeepFM) | Huifeng Guo et al. DeepFM: A Factorization-Machine based Neural Network for CTR Prediction. arXiv. 2017. | | Extreme Deep Factorization Machine (xDeepFM) | Jianxun Lian et al. xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems. KDD. 2018. | | Multi-gate Mixture-of-Experts (MMOE) | Jiaqi Ma et al. Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts. KDD. 2018. | | Automatic Feature Interaction (AutoInt) | AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks. CIKM. 2019. | ## Installation ``` pip install easyrec-python ``` ## Getting Started Please refer to the [documentation](https://easyrec-python.readthedocs.io/en/latest/) for the basic usage of *easyrec*.

نحوه نصب

نصب پکیج whl easyrec-python-0.0.2:

pip install easyrec-python-0.0.2.whl

نصب پکیج tar.gz easyrec-python-0.0.2:

pip install easyrec-python-0.0.2.tar.gz