torch-rechub 可以免费使用吗？用的什么许可证？

torch-rechub 以 MIT 许可证开源。用于商业产品前，请先确认许可证条款。

torch-rechub 还在维护吗？

活跃维护中。torch-rechub 最近一次提交是在 2026年10月22日。

torch-rechub 适合用来做什么？

在 Criteo、Avazu 等数据集上快速搭建 CTR 预估模型。构建双塔召回模型，并分别导出用户塔和物品塔。训练点击与转化等多目标的多任务排序模型。尝试 HSTU、HLLM 等基于大模型或生成式的推荐方法。

torch-rechub 怎么安装和运行？

使用 pip 安装 PyTorch 与本库: pip install torch && pip install torch-rechub 克隆仓库: git clone https://github.com/datawhalechina/torch-rechub.git 使用 uv 安装依赖: uv sync 进入示例目录运行 DSSM 匹配示例: cd examples/matching && python run_ml_dssm.py

在哪里获取 torch-rechub？

源代码和安装说明在 GitHub 上：https://github.com/datawhalechina/torch-rechub

datawhalechina/torch-rechub

基于 PyTorch 的推荐系统框架，内置 30 多种排序、召回、多任务和生成式推荐模型，支持 ONNX 导出。

在 GitHub 查看官网

Star: 1,233
Fork: 158
未关闭 Issue: 4
最近提交: 4小时前

这是什么？

Torch-RecHub 是一个基于 PyTorch 的推荐系统框架，内置多种经典和较新的推荐模型。排序类模型包括 DeepFM、DCN，召回类模型包括 DSSM、SASRec，多任务模型包括 MMoE、PLE，生成式推荐模型包括 HSTU、TIGER 等。不同任务共用统一的训练器和数据加载、评估流程，开发者可以用较少代码完成训练。

框架采用模块化设计，新增模型、数据集或评估指标时无需改动整体流程。训练好的模型可以导出为 ONNX 格式用于部署。它支持 CPU、NVIDIA CUDA、AMD ROCm 和华为昇腾 NPU，并提供可选依赖，包括 Annoy、FAISS、Milvus 向量检索，基于 PyArrow 的大数据预处理，以及 WandB、SwanLab、TensorBoardX 实验跟踪。

核心功能

01实现 30 多种排序、召回、多任务和生成式推荐模型。
02为 CTR、召回和多任务训练提供统一的训练器与数据加载接口。
03支持将训练好的模型导出为 ONNX 用于生产部署。
04可在 CPU、NVIDIA GPU、AMD ROCm 和华为昇腾 NPU 上运行。
05集成 WandB、SwanLab 和 TensorBoardX 进行实验跟踪。
06可选支持 FAISS、Annoy 和 Milvus 进行向量检索。

适用场景

在 Criteo、Avazu 等数据集上快速搭建 CTR 预估模型。
构建双塔召回模型，并分别导出用户塔和物品塔。
训练点击与转化等多目标的多任务排序模型。
尝试 HSTU、HLLM 等基于大模型或生成式的推荐方法。

快速上手

1
使用 pip 安装 PyTorch 与本库
pip install torch && pip install torch-rechub
2
克隆仓库
git clone https://github.com/datawhalechina/torch-rechub.git
3
使用 uv 安装依赖
uv sync
4
进入示例目录运行 DSSM 匹配示例
cd examples/matching && python run_ml_dssm.py

使用前须知

需要根据您的硬件、驱动和运行时选择匹配的 PyTorch 版本，设置可能较繁琐。
ONNX 导出、可视化和实验跟踪等功能需要单独安装可选依赖。

常见问题

torch-rechub 是什么？: 基于 PyTorch 的推荐系统框架，内置 30 多种排序、召回、多任务和生成式推荐模型，支持 ONNX 导出。 Torch-RecHub 是一个基于 PyTorch 的推荐系统框架，内置多种经典和较新的推荐模型。排序类模型包括 DeepFM、DCN，召回类模型包括 DSSM、SASRec，多任务模型包括 MMoE、PLE，生成式推荐模型包括 HSTU、TIGER 等。不同任务共用统一的训练器和数据加载、评估流程，开发者可以用较少代码完成训练。
torch-rechub 可以免费使用吗？用的什么许可证？: torch-rechub 以 MIT 许可证开源。用于商业产品前，请先确认许可证条款。
torch-rechub 还在维护吗？: 活跃维护中。torch-rechub 最近一次提交是在 2026年10月22日。
torch-rechub 适合用来做什么？: 在 Criteo、Avazu 等数据集上快速搭建 CTR 预估模型。构建双塔召回模型，并分别导出用户塔和物品塔。训练点击与转化等多目标的多任务排序模型。尝试 HSTU、HLLM 等基于大模型或生成式的推荐方法。
torch-rechub 怎么安装和运行？: 使用 pip 安装 PyTorch 与本库: pip install torch && pip install torch-rechub 克隆仓库: git clone https://github.com/datawhalechina/torch-rechub.git 使用 uv 安装依赖: uv sync 进入示例目录运行 DSSM 匹配示例: cd examples/matching && python run_ml_dssm.py
在哪里获取 torch-rechub？: 源代码和安装说明在 GitHub 上：https://github.com/datawhalechina/torch-rechub

概要由 AI 根据项目 README 生成；GitHub 数据每日更新。