[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-cheungdaven--DeepRec":3,"tool-cheungdaven--DeepRec":61},[4,18,28,37,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":103,"github_topics":104,"view_count":24,"oss_zip_url":117,"oss_zip_packed_at":117,"status":17,"created_at":118,"updated_at":119,"faqs":120,"releases":161},10134,"cheungdaven\u002FDeepRec","DeepRec","An Open-source Toolkit for Deep Learning based Recommendation with Tensorflow.","DeepRec 是一个基于 TensorFlow 构建的开源深度学习推荐系统工具包，旨在为研究人员和开发者提供一套高效、易用的算法实现框架。它主要解决了复现前沿推荐模型耗时费力的问题，让用户无需从零开始编写代码，即可快速验证和部署先进的推荐策略。\n\n该工具包覆盖了三大核心推荐场景：评分预测、Top-N 物品排序以及序列推荐。其内部集成了包括 AutoRec、NeuMF、CML、NFM 及 CASER 在内的多种经典与前沿算法模型。DeepRec 的最大亮点在于其优秀的模块化设计与高扩展性，不仅方便用户直接调用现有模型进行测试，也极大地降低了将新算法融入框架的门槛，非常适合从事推荐系统研究的学者、算法工程师以及希望深入理解深度学习推荐机制的技术人员使用。\n\n需要注意的是，DeepRec 目前主要基于 TensorFlow 1.7+ 版本开发，适合具备一定 Python 和深度学习基础的用户进行二次开发或学术实验。作为一个遵循 GPL 协议的开源项目，它致力于推动推荐系统领域的技术交流与创新，是探索深度学习在推荐应用中潜力的得力助手。","# DeepRec\nIn this repository, a number of deep learning based recommendation models are implemented using Python and Tensorflow. \nWe started this project in the hope that it would reduce the efforts of researchers and developers in reproducing state-of-the-art methods. The implemented models cover three major recommendation scenarios: rating prediction, top-N recommendation (i.e., item ranking) and sequential recommendation. Meanwhile, DeepRec maintains good modularity and extensibility for easy incorporation of new models into this framework. DeepRec is distributed under the GNU General Public License.\n\n\nAnyone who is interested in contributing to this project, please contact me!\n\n\n# Algorithms Implemented\nWe implemented both rating estimation, top-n recommendation models and sequence-aware recommendation models.\n* I-AutoRec and U-AutoRec (www'15)\n* CDAE (WSDM'16)\n* NeuMF (WWW'17)\n* CML (WWW'17)\n* LRML (WWW'18) (DRAFT version)\n* NFM (SIGIR'17)\n* NNMF (arxiv)\n* PRME (IJCAI 2015)\n* CASER (WSDM 2018)\n* AttRec (AAAI 2019 RecNLP)\nand so on.\n\nTo use the code, run: Test\u002Ftest_item_ranking.py, Test\u002Ftest_rating_pred.py, or Test\u002FtestSeqRec.py\n\n# Requirements\n* Tensorflow 1.7+, Python 3.5+, numpy, scipy, sklearn, pandas\n\n# ToDo List\n* More deep-learning based models\n* Alternative evaluation protocols\n* Code refactoring\n* Update to Tensorflow 2.0\n\n# Citation\n\nTo acknowledge use of this open source package in publications, please cite either of the following papers:\n\n```\n@Inbook{Zhang2022,\n    author=\"Zhang, Shuai and Tay, Yi and Yao, Lina and Sun, Aixin and Zhang, Ce\",\n    editor=\"Ricci, Francesco and Rokach, Lior and Shapira, Bracha\",\n    title=\"Deep Learning for Recommender Systems\",\n    bookTitle=\"Recommender Systems Handbook\",\n    year=\"2022\",\n    publisher=\"Springer US\",\n    address=\"New York, NY\",\n    pages=\"173--210\",\n    doi=\"10.1007\u002F978-1-0716-2197-4_5\",\n    url=\"https:\u002F\u002Fdoi.org\u002F10.1007\u002F978-1-0716-2197-4_5\"\n}\n```\nor \n```\n @inproceedings{shuai2019deeprec,\n   title={DeepRec: An Open-source Toolkit for Deep Learning based Recommendation},\n   author={Shuai Zhang, Yi Tay, Lina Yao, Bin Wu, Aixin Sun},\n   journal={arXiv preprint arXiv:1905.10536},\n   year={2019}\n }\n```\nor \n```\n@article{zhang2019deeprecsyscsur,\n  title={Deep learning based recommender system: A survey and new perspectives},\n  author={Zhang, Shuai and Yao, Lina and Sun, Aixin and Tay, Yi},\n  journal={ACM Computing Surveys (CSUR)},\n  volume={52},\n  year={2019},\n  publisher={ACM}\n}\n```\nThank you for your support!\n\nThe chinese version is host [here](https:\u002F\u002Fcode.ihub.org.cn\u002Fprojects\u002F274).\n","# DeepRec\n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。\n\n\n任何对参与本项目感兴趣的人士，请与我联系！\n\n\n# 已实现的算法\n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。\n* I-AutoRec 和 U-AutoRec (www'15)\n* CDAE (WSDM'16)\n* NeuMF (WWW'17)\n* CML (WWW'17)\n* LRML (WWW'18)（草稿版）\n* NFM (SIGIR'17)\n* NNMF (arxiv)\n* PRME (IJCAI 2015)\n* CASER (WSDM 2018)\n* AttRec (AAAI 2019 RecNLP)\n等等。\n\n要使用这些代码，请运行：Test\u002Ftest_item_ranking.py、Test\u002Ftest_rating_pred.py 或 Test\u002FtestSeqRec.py。\n\n# 需求\n* Tensorflow 1.7+、Python 3.5+、numpy、scipy、sklearn、pandas\n\n# 待办事项\n* 更多基于深度学习的模型\n* 替代性的评估协议\n* 代码重构\n* 更新至 Tensorflow 2.0\n\n# 引用\n若在出版物中使用了本开源软件包，请引用以下论文之一：\n\n```\n@Inbook{Zhang2022,\n    author=\"Zhang, Shuai and Tay, Yi and Yao, Lina and Sun, Aixin and Zhang, Ce\",\n    editor=\"Ricci, Francesco and Rokach, Lior and Shapira, Bracha\",\n    title=\"Deep Learning for Recommender Systems\",\n    bookTitle=\"Recommender Systems Handbook\",\n    year=\"2022\",\n    publisher=\"Springer US\",\n    address=\"New York, NY\",\n    pages=\"173--210\",\n    doi=\"10.1007\u002F978-1-0716-2197-4_5\",\n    url=\"https:\u002F\u002Fdoi.org\u002F10.1007\u002F978-1-0716-2197-4_5\"\n}\n```\n或者\n```\n @inproceedings{shuai2019deeprec,\n   title={DeepRec: An Open-source Toolkit for Deep Learning based Recommendation},\n   author={Shuai Zhang, Yi Tay, Lina Yao, Bin Wu, Aixin Sun},\n   journal={arXiv preprint arXiv:1905.10536},\n   year={2019}\n }\n```\n或者\n```\n@article{zhang2019deeprecsyscsur,\n  title={Deep learning based recommender system: A survey and new perspectives},\n  author={Zhang, Shuai and Yao, Lina and Sun, Aixin and Tay, Yi},\n  journal={ACM Computing Surveys (CSUR)},\n  volume={52},\n  year={2019},\n  publisher={ACM}\n}\n```\n\n感谢您的支持！\n\n中文版本托管于 [这里](https:\u002F\u002Fcode.ihub.org.cn\u002Fprojects\u002F274)。","# DeepRec 快速上手指南\n\nDeepRec 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。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：3.5 或更高版本\n*   **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）\n*   **依赖库**：`numpy`, `scipy`, `sklearn`, `pandas`\n\n> **国内加速建议**：\n> 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：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    从 GitHub 获取源代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fkuangshf\u002FDeepRec.git\n    cd DeepRec\n    ```\n    *(注：原文提到中国镜像托管在 https:\u002F\u002Fcode.ihub.org.cn\u002Fprojects\u002F274，国内用户也可尝试从此地址克隆)*\n\n2.  **安装依赖包**\n    使用 pip 安装所需的 Python 库：\n    ```bash\n    pip install numpy scipy scikit-learn pandas tensorflow>=1.7\n    ```\n    或者使用国内镜像加速安装：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy scipy scikit-learn pandas tensorflow>=1.7\n    ```\n\n## 基本使用\n\nDeepRec 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：\n\n*   **Top-N 推荐（物品排序）**\n    ```bash\n    python Test\u002Ftest_item_ranking.py\n    ```\n\n*   **评分预测**\n    ```bash\n    python Test\u002Ftest_rating_pred.py\n    ```\n\n*   **序列推荐**\n    ```bash\n    python Test\u002FtestSeqRec.py\n    ```\n\n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。","某电商初创公司的算法团队正急需构建一个能同时处理用户评分预测和商品排序的深度学习推荐系统，以应对即将到来的大促流量。\n\n### 没有 DeepRec 时\n- 研究人员需从零复现 NeuMF、CDAE 等经典论文代码，耗费数周时间调试数据接口与网络结构，极易因细节差异导致结果无法对齐。\n- 面对评分预测、Top-N 排序和序列推荐三种不同业务需求，团队不得不维护多套独立的代码库，模型间模块无法复用，开发效率低下。\n- 缺乏统一的评估协议和基准测试脚本，每次新增模型都要重新编写数据加载与指标计算逻辑，难以快速横向对比各算法效果。\n- 代码耦合度高，想要尝试最新的 AttRec 或 CASER 模型时，往往需要大幅重构现有工程架构，试错成本极高。\n\n### 使用 DeepRec 后\n- 直接调用内置的 NeuMF、CDAE 等十余种预实现模型，仅需修改配置文件即可运行，将原本数周的复现工作缩短至几小时。\n- 利用其高度模块化的架构，在同一框架下灵活切换评分预测、商品排序及序列推荐任务，一套代码即可覆盖全场景业务需求。\n- 依托自带的标准化测试脚本（如 `test_item_ranking.py`），团队能快速获得一致的评估结果，高效完成多模型性能比对与选型。\n- 凭借良好的扩展性，开发人员可轻松将新研究的算法嵌入现有流程，无需改动核心底层代码，显著降低了创新实验的门槛。\n\nDeepRec 通过提供标准化、模块化且涵盖主流算法的一站式解决方案，让研发团队从繁琐的代码复现中解放出来，专注于核心策略优化与业务价值创造。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcheungdaven_DeepRec_817a1692.png","cheungdaven","Shuai Zhang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcheungdaven_c34ecc5f.jpg","Amazon\r\n","Amazon Web Services","Santa Clara","cheungdaven@gmail.com","DavenCheung","shuaizhang.tech","https:\u002F\u002Fgithub.com\u002Fcheungdaven",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,1166,291,"2026-03-30T10:30:19","GPL-3.0",4,"","未说明",{"notes":95,"python":96,"dependencies":97},"该项目基于 TensorFlow 1.7+ 开发，README 中明确列出了升级到 TensorFlow 2.0 的计划但尚未实施。支持评分预测、Top-N 推荐和序列推荐三种场景。代码入口位于 Test 目录下的测试脚本中。","3.5+",[98,99,100,101,102],"tensorflow>=1.7","numpy","scipy","sklearn","pandas",[14],[105,106,107,108,109,110,111,112,113,114,115,116],"recommender-systems","deep-learning","tensorflow","recommendation","recommendation-system","neural-network","python","collaborative-filtering","rating-prediction","top-n-recommendations","factorization-machine","matrix-factorization",null,"2026-03-27T02:49:30.150509","2026-04-20T19:32:36.600983",[121,126,131,136,141,146,151,156],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},45497,"运行 AttRec 模型时，HR（命中率）和 MRR 指标过低或随训练轮数增加而下降，如何解决？","这通常是因为训练时间过长导致模型过拟合。一般不需要训练几千个 epoch（如 5000），建议在指标开始下降前停止训练。维护者提供的最佳参考结果为：HR@50: 0.531, MRR: 0.091, AUC: 0.909。如果结果远低于此，请检查代码中是否有计算最佳 HR\u002FMRR 的逻辑缺失。","https:\u002F\u002Fgithub.com\u002Fcheungdaven\u002FDeepRec\u002Fissues\u002F8",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},45498,"AttRec 评估过程中，为什么计算排名时只使用负样本而不是所有物品？","在推荐系统的评估中，通常只考虑向用户推荐他们从未见过的物品（即负样本）。如果用户已经喜欢或交互过的物品（正样本），我们不想重复推荐给他们，因此评估时排除这些已知物品，仅在未交互物品中进行排名计算。","https:\u002F\u002Fgithub.com\u002Fcheungdaven\u002FDeepRec\u002Fissues\u002F31",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},45499,"Caser 模型的损失函数实现与论文公式不一致，是否加入了正则化项？","是的，代码中的实现与 Caser 原作者的代码一致，但在二元交叉熵损失的基础上加入了 L2 正则化以防止过拟合。具体实现是在优化器中设置 weight_decay，或在损失函数中显式添加各项参数的 L2 损失。代码如下：\nself._optimizer = optim.Adam(self._net.parameters(), weight_decay=self._l2, lr=self._learning_rate)\n或者在 TensorFlow 版本中：\nloss = positive_loss + negative_loss + reg_rate * (l2_loss(P) + l2_loss(Q) + ...)","https:\u002F\u002Fgithub.com\u002Fcheungdaven\u002FDeepRec\u002Fissues\u002F12",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},45500,"AutoSVD++ 模型中如何处理物品的内容信息（Content Information）？","该项目中使用了收缩自编码器（Contractive Auto-encoders, CAE）的开源代码来学习物品特征。具体流程是将物品侧信息（item side information）输入到 CAE 中，通过编码过程提取出物品的潜在向量（latent vector）。仓库中未直接包含这部分预处理代码，需参考相关的 CAE 开源实现。","https:\u002F\u002Fgithub.com\u002Fcheungdaven\u002FDeepRec\u002Fissues\u002F23",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},45501,"运行 testSeqRec.py 时找不到 ml100k\u002Ftemp\u002Ftrain.dat 等数据处理后的文件，如何处理数据？","这是因为原始的数据处理脚本或生成的临时文件未及时上传。维护者已提交相关修复（commit 072bc1b），用户可以查看该提交记录获取数据处理逻辑。通常情况下，你需要运行数据预处理脚本将原始的 movielens_100k.dat 转换为代码所需的 train.dat 和 test.dat 格式，或者直接使用更新后的仓库代码。","https:\u002F\u002Fgithub.com\u002Fcheungdaven\u002FDeepRec\u002Fissues\u002F7",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},45502,"AutoRec 模型的原理是什么？训练后的参数如何保存？","AutoRec 的原理是对评分矩阵进行编码（压缩到隐藏层）然后解码（重构），从而预测并补全评分矩阵中缺失的值。关于参数保存，当前代码库中暂未编写自动保存功能，用户可以手动调用 TensorFlow 的 save 函数（如 tf.train.Saver）来保存训练好的模型参数。","https:\u002F\u002Fgithub.com\u002Fcheungdaven\u002FDeepRec\u002Fissues\u002F22",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},45503,"物品排序（Item Ranking）任务的数据标签应该是评分（1-5）还是二值标签（0\u002F1）？","在物品排序问题中，标签应当是二值的（0 或 1），表示用户是否与该物品有过交互，而不是具体的评分数值（1-5）。虽然代码曾使用评分数据，但正确的做法是提供包含 0\u002F1 标签的文件，或者在数据加载时将评分转换为二值标签（例如评分大于 0 记为 1，否则为 0）。","https:\u002F\u002Fgithub.com\u002Fcheungdaven\u002FDeepRec\u002Fissues\u002F1",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},45504,"仓库中是否包含\"Next Item Recommendation with Self-Attention\"论文的代码？","维护者已确认添加了 AttRec、Caser 和 PRME 的代码。对于自注意力机制相关的论文代码，早期版本可能较为混乱或缺失，建议检查仓库最新状态或关注维护者的清理更新。如果有特定需求，可以在 Issue 中询问最新进展。","https:\u002F\u002Fgithub.com\u002Fcheungdaven\u002FDeepRec\u002Fissues\u002F3",[]]