Model

Model

1. Traditional Model

1.1 Matrix Factorization (MF)

数据集： ml-1m

1.2 Factorization Machines (FM)

数据集： Criteo

原文笔记： https://tech.meituan.com/2016/03/03/deep-understanding-of-ffm-principles-and-practices.html

1.3 Field-aware Factorization Machines (FFM)

数据集： Criteo

C++包： https://github.com/ycjuan/libffm

【注】FFM复现只是为了让自己更清楚其构造，但是真正在场景或比赛中应用的话，还是调取上述包。因为自己不会优化，两个for循环太慢了。

原文笔记：https://tech.meituan.com/2016/03/03/deep-understanding-of-ffm-principles-and-practices.html

2. Neural Network-based Model

2.1 Wide & Deep Learning (WDL)

模型：

数据集： 由于原文没有给出公开数据集，所以在此我们使用Amazon Dataset中的Electronics子集，由于数据集的原因，模型可能与原文的有所出入，但整体思想还是不变的。

原文笔记： https://mp.weixin.qq.com/s/LRghf8mj1hjUYri_m3AzBg

2.2 Deep Crossing

模型：

数据集： Criteo

原文笔记： https://mp.weixin.qq.com/s/WXnvkoRFxwFpflStAuW7kQ

2.3 Product-based Neural Networks (PNN)

模型：

数据集： Criteo

原文笔记： https://mp.weixin.qq.com/s/GMQd5RTmGPuxbokoHZs3eg

2.4 Deep & Cross Network (DCN)

模型：

数据集： Criteo

原文笔记： https://mp.weixin.qq.com/s/DkoaMaXhlgQv1NhZHF-7og

2.5 Neural Factorization Machines (NFM)

模型：

数据集： Criteo

原文笔记： https://mp.weixin.qq.com/s/1en7EyP3C2TP3-d4Ha0rSQ

2.6 Neural network-based Collaborative Filtering (NCF)

模型：

数据集： Movielens、Pinterest

原文开源代码： https://github.com/hexiangnan/neural_collaborative_filtering

2.7 Attentional Factorization Machines (AFM)

模型：

数据集： Criteo

原文开源代码： https://github.com/hexiangnan/attentional_factorization_machine

原文笔记： https://mp.weixin.qq.com/s/hPCS9Dw2vT2pwdWwPo0EJg

2.8 DeepFM

模型：

数据集： Criteo

原文笔记： https://mp.weixin.qq.com/s/bxYag1GcJABkwwz0NmLI5g

2.9 xDeepFM

模型：

数据集： Criteo

原文开源代码： https://github.com/Leavingseason/xDeepFM

原文笔记： https://mp.weixin.qq.com/s/TohOmVpQzNlA3vXv0gpobg

3. Sequence Model

3.1 Deep Interest Network (DIN)

模型：

数据集： Amazon数据集中Electronics子集。

代码解析： https://zhuanlan.zhihu.com/p/144153291

参考源代码地址： https://github.com/zhougr1993/DeepInterestNetwork

原文笔记： https://mp.weixin.qq.com/s/uIs_FpeowSEpP5fkVDq1Nw

3.2 Self-Attentive Sequential Recommendation (SASRec)

模型：

数据集： ml-1m数据集，隐式；

参考原文开源代码地址： https://github.com/kang205/SASRec

原文笔记： https://mp.weixin.qq.com/s/cRQi3FBi9OMdO7imK2Y4Ew