Repolode
Enviar
datawhalechina

datawhalechina/torch-rechub

Framework de PyTorch para crear modelos de recomendación, con más de 30 modelos integrados de ranking, matching, multitarea y generación, y exportación a ONNX.

Ver en GitHubSitio web
Estrellas
1,233
Forks
158
Issues abiertos
4
Último commit
hace 8 horas

¿Qué es?

Torch-RecHub es un framework basado en PyTorch para crear sistemas de recomendación. Incluye una biblioteca de modelos de recomendación clásicos y recientes, entre ellos modelos de ranking CTR como DeepFM y DCN, modelos de matching de dos torres y secuenciales como DSSM y SASRec, modelos multitarea como MMoE y PLE, y recomendadores generativos como HSTU y TIGER. Cada modelo se entrena mediante entrenadores compartidos para configuraciones CTR, de matching y multitarea, con flujos de trabajo unificados para la carga de datos y la evaluación.

El framework está diseñado para ser modular, de modo que se puedan añadir modelos, conjuntos de datos y métricas sin reescribir el pipeline. Los modelos entrenados se pueden exportar a ONNX para su despliegue. Funciona en CPU, NVIDIA CUDA, AMD ROCm y Huawei Ascend NPU, y ofrece complementos opcionales para la recuperación vectorial con Annoy, FAISS y Milvus, el procesamiento de datos compatible con PySpark mediante PyArrow y el seguimiento de experimentos con WandB, SwanLab o TensorBoardX.

Funciones clave

  • 01Implementa más de 30 modelos de recomendación de ranking, matching, multitarea y generación.
  • 02Ofrece entrenadores y cargadores de datos unificados para el entrenamiento CTR, de matching y multitarea.
  • 03Exporta modelos entrenados a ONNX para su despliegue en producción.
  • 04Funciona en CPU, GPU de NVIDIA, AMD ROCm y Huawei Ascend NPU.
  • 05Integra WandB, SwanLab y TensorBoardX para el seguimiento de experimentos.
  • 06Ofrece compatibilidad opcional con FAISS, Annoy y Milvus para la recuperación vectorial.

Casos de uso

  • Crear prototipos de modelos de predicción CTR con conjuntos de datos como Criteo o Avazu.
  • Crear modelos de recuperación de dos torres y exportar por separado las torres de usuarios y de elementos.
  • Entrenar modelos de ranking multitarea para objetivos conjuntos, como clics y conversiones.
  • Experimentar con métodos de recomendación basados en LLM o generativos, como HSTU y HLLM.

Inicio rápido

  1. 1

    Instala PyTorch y el paquete con pip

    pip install torch && pip install torch-rechub
  2. 2

    Clona el repositorio

    git clone https://github.com/datawhalechina/torch-rechub.git
  3. 3

    Instala las dependencias con uv

    uv sync
  4. 4

    Ejecuta el ejemplo de correspondencia DSSM desde su carpeta

    cd examples/matching && python run_ml_dssm.py

Antes de usarlo

  • Se necesita una versión de PyTorch compatible con el hardware, el controlador y el entorno de ejecución, lo que puede requerir cierto trabajo de configuración.
  • Algunas funciones, como la exportación a ONNX, la visualización y el seguimiento, requieren instalar por separado extras opcionales.

Temas

#recommender-system#pytorch#deep-learning#ctr-prediction#onnx#recsys#generative-recommendation#ascend#hstu#llm

Preguntas frecuentes

¿Qué es torch-rechub?
Framework de PyTorch para crear modelos de recomendación, con más de 30 modelos integrados de ranking, matching, multitarea y generación, y exportación a ONNX. Torch-RecHub es un framework basado en PyTorch para crear sistemas de recomendación. Incluye una biblioteca de modelos de recomendación clásicos y recientes, entre ellos modelos de ranking CTR como DeepFM y DCN, modelos de matching de dos torres y secuenciales como DSSM y SASRec, modelos multitarea como MMoE y PLE, y recomendadores generativos como HSTU y TIGER. Cada modelo se entrena mediante entrenadores compartidos para configuraciones CTR, de matching y multitarea, con flujos de trabajo unificados para la carga de datos y la evaluación.
¿torch-rechub es gratuito? ¿Qué licencia tiene?
torch-rechub es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿torch-rechub sigue mantenido?
Mantenimiento activo. El último commit de torch-rechub fue el 22 oct 2026.
¿Para qué puedo usar torch-rechub?
Crear prototipos de modelos de predicción CTR con conjuntos de datos como Criteo o Avazu. Crear modelos de recuperación de dos torres y exportar por separado las torres de usuarios y de elementos. Entrenar modelos de ranking multitarea para objetivos conjuntos, como clics y conversiones. Experimentar con métodos de recomendación basados en LLM o generativos, como HSTU y HLLM.
¿Cómo se instala torch-rechub?
Instala PyTorch y el paquete con pip: pip install torch && pip install torch-rechub Clona el repositorio: git clone https://github.com/datawhalechina/torch-rechub.git Instala las dependencias con uv: uv sync Ejecuta el ejemplo de correspondencia DSSM desde su carpeta: cd examples/matching && python run_ml_dssm.py
¿Dónde consigo torch-rechub?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/datawhalechina/torch-rechub

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados