datawhalechina/torch-rechub

Что это?

Ключевые возможности

• 01Реализует более 30 моделей ранжирования, матчинга, многозадачных и генеративных рекомендательных моделей.
• 02Предоставляет унифицированные тренеры и загрузчики данных для обучения моделей CTR, матчинга и многозадачных моделей.
• 03Экспортирует обученные модели в ONNX для развёртывания в production.
• 04Работает на CPU, GPU NVIDIA, AMD ROCm и Huawei Ascend NPU.
• 05Интегрируется с WandB, SwanLab и TensorBoardX для отслеживания экспериментов.
• 06Предлагает опциональную поддержку FAISS, Annoy и Milvus для векторного поиска.

Сценарии использования

• Создание прототипов моделей прогнозирования CTR на таких наборах данных, как Criteo или Avazu.
• Создание двухбашенных моделей поиска с возможностью раздельно экспортировать башни пользователей и объектов.
• Обучение многозадачных моделей ранжирования для совместной оптимизации таких целей, как клики и конверсии.
• Эксперименты с генеративными методами рекомендаций и методами на основе LLM, такими как HSTU и HLLM.

Быстрый старт

1. 1

   Установите PyTorch и пакет с помощью pip

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

   Клонируйте репозиторий

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

   Установите зависимости с помощью uv

   uv sync
4. 4

   Запустите пример сопоставления DSSM из соответствующей папки

   cd examples/matching && python run_ml_dssm.py

Что важно знать

• !Требуется сборка PyTorch, совместимая с вашим оборудованием, драйвером и средой выполнения; её настройка может потребовать времени.
• !Для некоторых функций, таких как экспорт в ONNX, визуализация и отслеживание, нужно отдельно установить дополнительные компоненты.

Темы

Частые вопросы

Что такое torch-rechub?

Фреймворк на PyTorch для создания рекомендательных моделей: более 30 встроенных моделей ранжирования, матчинга, многозадачных и генеративных моделей, а также экспорт в ONNX. Torch-RecHub — фреймворк на базе PyTorch для создания рекомендательных систем. В него входит библиотека классических и современных рекомендательных моделей: модели ранжирования CTR, такие как DeepFM и DCN, двухбашенные и последовательностные модели матчинга, такие как DSSM и SASRec, многозадачные модели, такие как MMoE и PLE, а также генеративные рекомендательные модели, такие как HSTU и TIGER. Для обучения каждой модели используются общие тренеры для задач CTR, матчинга и многозадачного обучения, а также унифицированные процессы загрузки данных и оценки качества.

torch-rechub можно использовать бесплатно? Какая у него лицензия?

torch-rechub распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.

torch-rechub всё ещё поддерживается?

Активно поддерживается. Последний коммит в torch-rechub — 22 окт. 2026 г..

Для чего можно использовать torch-rechub?

Создание прототипов моделей прогнозирования CTR на таких наборах данных, как Criteo или Avazu. Создание двухбашенных моделей поиска с возможностью раздельно экспортировать башни пользователей и объектов. Обучение многозадачных моделей ранжирования для совместной оптимизации таких целей, как клики и конверсии. Эксперименты с генеративными методами рекомендаций и методами на основе LLM, такими как HSTU и HLLM.

Как установить torch-rechub?

Установите PyTorch и пакет с помощью pip: pip install torch && pip install torch-rechub Клонируйте репозиторий: git clone https://github.com/datawhalechina/torch-rechub.git Установите зависимости с помощью uv: uv sync Запустите пример сопоставления DSSM из соответствующей папки: cd examples/matching && python run_ml_dssm.py

Где скачать torch-rechub?

Исходный код и инструкции по установке — на GitHub: https://github.com/datawhalechina/torch-rechub