DeepRec

在这个仓库中，我们使用 Python 和 TensorFlow 实现了多种基于深度学习的推荐模型。我们启动这个项目，旨在减少研究人员和开发人员在复现最先进方法时所需的工作量。所实现的模型涵盖了三大主要推荐场景：评分预测、Top-N 推荐（即物品排序）和序列推荐。同时，DeepRec 具有良好的模块化和可扩展性，便于将新模型轻松集成到该框架中。DeepRec 采用 GNU 通用公共许可证进行分发。

任何对参与本项目感兴趣的人士，请与我联系！

已实现的算法

我们实现了评分估计、Top-N 推荐模型以及序列感知型推荐模型。

• I-AutoRec 和 U-AutoRec (www'15)
• CDAE (WSDM'16)
• NeuMF (WWW'17)
• CML (WWW'17)
• LRML (WWW'18)（草稿版）
• NFM (SIGIR'17)
• NNMF (arxiv)
• PRME (IJCAI 2015)
• CASER (WSDM 2018)
• AttRec (AAAI 2019 RecNLP) 等等。

要使用这些代码，请运行：Test/test_item_ranking.py、Test/test_rating_pred.py 或 Test/testSeqRec.py。

需求

• Tensorflow 1.7+、Python 3.5+、numpy、scipy、sklearn、pandas

待办事项

• 更多基于深度学习的模型
• 替代性的评估协议
• 代码重构
• 更新至 Tensorflow 2.0

引用

若在出版物中使用了本开源软件包，请引用以下论文之一：

@Inbook{Zhang2022,
    author="Zhang, Shuai and Tay, Yi and Yao, Lina and Sun, Aixin and Zhang, Ce",
    editor="Ricci, Francesco and Rokach, Lior and Shapira, Bracha",
    title="Deep Learning for Recommender Systems",
    bookTitle="Recommender Systems Handbook",
    year="2022",
    publisher="Springer US",
    address="New York, NY",
    pages="173--210",
    doi="10.1007/978-1-0716-2197-4_5",
    url="https://doi.org/10.1007/978-1-0716-2197-4_5"
}

或者

 @inproceedings{shuai2019deeprec,
   title={DeepRec: An Open-source Toolkit for Deep Learning based Recommendation},
   author={Shuai Zhang, Yi Tay, Lina Yao, Bin Wu, Aixin Sun},
   journal={arXiv preprint arXiv:1905.10536},
   year={2019}
 }

或者

@article{zhang2019deeprecsyscsur,
  title={Deep learning based recommender system: A survey and new perspectives},
  author={Zhang, Shuai and Yao, Lina and Sun, Aixin and Tay, Yi},
  journal={ACM Computing Surveys (CSUR)},
  volume={52},
  year={2019},
  publisher={ACM}
}

感谢您的支持！

中文版本托管于 这里。

DeepRec 快速上手指南

DeepRec 是一个基于 Python 和 TensorFlow 的开源深度学习推荐系统工具包，涵盖了评分预测、Top-N 推荐（物品排序）和序列推荐三大场景。本指南将帮助你快速搭建环境并运行示例。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：3.5 或更高版本
• 核心框架：TensorFlow 1.7 或更高版本（注意：目前主要支持 TF 1.x，TF 2.0 适配计划在 ToDo 列表中）
• 依赖库：numpy, scipy, sklearn, pandas

国内加速建议： 安装依赖时，推荐使用国内镜像源以提升下载速度。例如使用清华源：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆项目代码 从 GitHub 获取源代码：

   git clone https://github.com/kuangshf/DeepRec.git
   cd DeepRec
   

   (注：原文提到中国镜像托管在 https://code.ihub.org.cn/projects/274，国内用户也可尝试从此地址克隆)

2. 安装依赖包 使用 pip 安装所需的 Python 库：

   pip install numpy scipy scikit-learn pandas tensorflow>=1.7
   

   或者使用国内镜像加速安装：

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy scipy scikit-learn pandas tensorflow>=1.7
   

基本使用

DeepRec 提供了三个主要的测试脚本，分别对应不同的推荐任务场景。确保你已准备好相应的数据集（通常需放置在项目指定的数据目录中），然后运行以下命令：

• Top-N 推荐（物品排序）

  python Test/test_item_ranking.py
  

• 评分预测

  python Test/test_rating_pred.py
  

• 序列推荐

  python Test/testSeqRec.py
  

运行上述脚本后，框架将加载默认配置的模型（如 NeuMF, CDAE, CASER 等）并进行训练与评估。你可以直接修改这些脚本中的参数或配置文件来尝试不同的算法模型。