[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-eyounx--VirtualTaobao":3,"tool-eyounx--VirtualTaobao":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,2,"2026-04-05T10:45:23",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65628,"2026-04-05T10:10:46",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":83,"owner_website":84,"owner_url":85,"languages":86,"stars":91,"forks":92,"last_commit_at":93,"license":83,"difficulty_score":46,"env_os":94,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":100,"github_topics":83,"view_count":29,"oss_zip_url":83,"oss_zip_packed_at":83,"status":22,"created_at":101,"updated_at":102,"faqs":103,"releases":130},1132,"eyounx\u002FVirtualTaobao","VirtualTaobao","Virtual-Taobao simulators with OpenAI Gym interface","VirtualTaobao 是一个基于真实淘宝数据训练而成的虚拟电商模拟器，提供与 OpenAI Gym 兼容的标准接口。它旨在解决在真实电商平台直接测试推荐算法成本高、风险大且难以复现的问题。通过构建高仿真的虚拟环境，VirtualTaobao 让开发者能够在不干扰真实业务的前提下，安全地验证和优化推荐系统。\n\n这款工具特别适合推荐系统研究人员、强化学习开发者及算法工程师。VirtualTaobao 模拟了完整的用户 - 商品交互流程：系统根据虚拟客户的查询返回商品列表，而虚拟客户会根据自身属性（如年龄、性别、浏览历史）决定点击、翻页或离开。目前提供的 V0 版本基于中等规模匿名数据集训练，同时支持监督学习与强化学习两种研究场景。其核心亮点在于能够生成动态变化的用户特征，并通过权重向量模型优化商品排序，帮助研究者高效探索算法策略。项目完全开源，使用时只需注明出处即可。","# VirtualTaobao\n\nThis project provides VirtualTaobao simulators trained from the real-data of [Taobao](http:\u002F\u002Ftaobao.com), one of the largest online retail platforms. In Taobao, when a customer entered some query, the recommondation system returns a list of items according to the query and the customer profile. The system is expected to return a good list such that customers will have high chances of clicking the items. \n\nUsing VirtualTaobao simulator, one can access a \"live\" environment just like the real Taobao environment. Virtual customers will be generated once at a time, the virtual customer starts a query, and the recommendation system needs to return a list of items. The virtual customer will decide if it would like to click the items in the list, similar to a real customer.\n\nHow VirtualTaobao was trained is described in \n> Jing-Cheng Shi, Yang Yu, Qing Da, Shi-Yong Chen, and An-Xiang Zeng. [Virtual-Taobao: Virtualizing real-world online retail environment for reinforcement learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.10000). In: Proceedings of the 33rd AAAI Conference on Artificial Intelligence (AAAI’19), Honolulu, HI, 2019. \n\nWe release in this repository a VirtualTaobao model for both the recommondation system research and the reinforcement learning research (see the supervised learning and reinforcement learning use cases below). Anyone can use this simulator freely, but should give proper credit to the above reference.\n\nCurrently, VirtualTaobao V0 model (VirtualTB-v0) is provided, which was trained from a middle-scaled anonymized Taobao dataset. More larger models will be released soon.\n\n### Installation\n\n```bash\npip install -e .\n```\n\n### Simulated Environment\nVirtual Taobao simulates the customers, items, and recommendation system. \n* A customer is associated with 11 static attributes that has been one-hot encoded in to 88 binary dimensions, and 3-dimensional dynamic attributes. Here, static\u002Fdynmaic means whether the features will change during an interactive process. The attributes information about involve customer age, customer gender, customer browsing history, etc.\n* An item is associated with 27-dimensional attributes indicating the price, sales volume, CTR, etc. (For confidence issue, the itemset content is not exposed.)\n\nAn interactive process between the system and a customer is as follows\n1. Virtual Taobao samples a feature vector of the customer, including both the customer's description and customer's query.\n2. The system retrives a set of related items according to the query, forming the whole itemset.\n3. The system uses a model to assign a weight vector corresponding to the item attributes.\n4. The system calculates the product between the weight vector and the item attributes for each item, and selects the top 10 items with the highest values.\n5. The selected 10 items are pushed to the customer. Then, the customer will choose to click on some items (results in CTR++), browse the next page (results in starting over from step 2 with changed customer features), or leave the platform (results in the end of the session).\n\nIn the above process, the model in step 3, is to be trained. The model inputs the features of the customer and the itemset, and outputs a 27-dimensional weight vector.\n\n### Usage for Supervised Learning\n\nA data set is prepared at\n\n```\nvirtualTB\u002FSupervisedLearning\u002Fdataset.txt\n```\n\nEach line of the data set consists an instance of features, labels, and the number of clicks, separated by tab.\n\nTo train a model from the data set, the following codes give an demonstration using PyTorch\n\n```\nvirtualTB\u002FSupervisedLearning\u002Fmain.py\n```\n\nwhich contains a full process from data set loading, model training, and model test.\n\n### Usage for Reinforcement Learning\n\nHere is a simplest example of using VirtualTaobao as an environment for reinforcement learning. A random action is sampled every step to do the recommendation.\n\n```python\nimport gym\nimport virtualTB\n\nenv = gym.make('VirtualTB-v0')\nprint(env.action_space)\nprint(env.observation_space)\nprint(env.observation_space.low)\nprint(env.observation_space.high)\nstate = env.reset()\nwhile True:\n    env.render()\n    action = env.action_space.sample()\n    state, reward, done, info = env.step(action)\n    \n    if done: break\nenv.render()\n```\n\nAs a more complete example using DDPG reinforcement learning algorithm and PyTorch is placed in \n```\nvirtualTB\u002FReinforcementLearning\u002Fmain.py\n```\n\n### Acknowledgement\n\nThis project is an outcome of a joint work of Nanjing University and Alibaba Group, Inc.\n","# VirtualTaobao\n\n本项目提供了基于全球最大在线零售平台之一——淘宝网的真实数据训练而成的VirtualTaobao模拟器。在淘宝中，当用户输入查询时，推荐系统会根据查询内容和用户画像返回一个商品列表。该系统的目标是生成高质量的商品列表，以提高用户点击这些商品的概率。\n\n借助VirtualTaobao模拟器，用户可以进入一个与真实淘宝环境几乎相同的“实时”场景。每次会随机生成一名虚拟用户，该用户发起一次查询，推荐系统则需要返回一个商品列表。随后，虚拟用户将像真实用户一样决定是否点击列表中的商品。\n\nVirtualTaobao的训练方法详见：\n> Jing-Cheng Shi, Yang Yu, Qing Da, Shi-Yong Chen, and An-Xiang Zeng. [Virtual-Taobao: 用于强化学习的真实世界在线零售环境虚拟化](https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.10000)。载于：第33届美国人工智能协会会议（AAAI’19）论文集，夏威夷檀香山，2019年。\n\n我们在本仓库中发布了适用于推荐系统研究和强化学习研究的VirtualTaobao模型（参见下方的监督学习和强化学习用例）。任何人都可以免费使用该模拟器，但需正确引用上述文献。\n\n目前提供的版本为VirtualTaobao V0模型（VirtualTB-v0），该模型基于一份中等规模的匿名化淘宝数据集进行训练。更大规模的模型将很快发布。\n\n### 安装\n```bash\npip install -e .\n```\n\n### 模拟环境\nVirtual Taobao模拟了用户、商品以及推荐系统。\n* 每个用户关联11个静态属性（已通过独热编码转换为88维二值特征）和3维动态属性。这里的“静态\u002F动态”是指特征在交互过程中是否会变化。这些属性包括用户的年龄、性别、浏览历史等。\n* 每件商品关联27维特征，用于表示价格、销量、点击率等信息。（出于隐私考虑，商品的具体内容并未公开。）\n\n系统与用户之间的交互过程如下：\n1. Virtual Taobao会采样生成一个包含用户描述及查询的特征向量。\n2. 系统根据查询检索相关商品，形成完整的商品集合。\n3. 系统使用一个模型为每个商品的特征分配一个权重向量。\n4. 对于每件商品，系统计算其权重向量与商品特征的点积，并选出得分最高的前10件商品。\n5. 将这10件商品推送给用户。随后，用户可以选择点击部分商品（产生CTR++）、翻页继续浏览（重新从步骤2开始，用户特征可能发生变化），或退出平台（会话结束）。\n\n在上述过程中，步骤3中的模型需要进行训练。该模型接收用户特征和商品集合作为输入，输出一个27维的权重向量。\n\n### 监督学习用法\n数据集位于：\n```\nvirtualTB\u002FSupervisedLearning\u002Fdataset.txt\n```\n数据集的每一行由特征、标签和点击次数组成，各字段之间以制表符分隔。\n\n以下代码展示了如何使用PyTorch从该数据集中训练模型：\n```\nvirtualTB\u002FSupervisedLearning\u002Fmain.py\n```\n其中包含了从数据加载、模型训练到模型测试的完整流程。\n\n### 强化学习用法\n以下是将VirtualTaobao作为强化学习环境使用的最简单示例。每一步都随机选择一个动作来进行推荐。\n```python\nimport gym\nimport virtualTB\n\nenv = gym.make('VirtualTB-v0')\nprint(env.action_space)\nprint(env.observation_space)\nprint(env.observation_space.low)\nprint(env.observation_space.high)\nstate = env.reset()\nwhile True:\n    env.render()\n    action = env.action_space.sample()\n    state, reward, done, info = env.step(action)\n    \n    if done: break\nenv.render()\n```\n\n更完整的示例，采用DDPG强化学习算法并结合PyTorch实现，位于：\n```\nvirtualTB\u002FReinforcementLearning\u002Fmain.py\n```\n\n### 致谢\n本项目是南京大学与阿里巴巴集团合作的成果。","# VirtualTaobao 快速上手指南\n\n## 简介\nVirtualTaobao 是一个基于真实淘宝（Taobao）数据训练的环境模拟器。它模拟了虚拟用户与推荐系统的交互过程，适用于推荐系统研究和强化学习（Reinforcement Learning）研究。开发者可以通过该工具访问一个类似真实淘宝的“实时”环境，测试推荐算法的效果。\n\n## 环境准备\n在开始之前，请确保您的开发环境满足以下要求：\n- **操作系统**：支持 Python 的主流操作系统（Linux\u002FmacOS\u002FWindows）。\n- **编程语言**：Python 3.x。\n- **依赖库**：\n  - `gym`：用于构建强化学习环境。\n  - `PyTorch`：用于模型训练（参考文档中的示例代码）。\n  - 其他项目依赖将在安装时自动处理。\n\n## 安装步骤\n进入项目根目录，执行以下命令进行安装：\n\n```bash\npip install -e .\n```\n\n> **提示**：若下载速度较慢，建议在国内网络环境下配置 Python 包镜像源（如清华源、阿里源等），但上述命令需保持原样以确保兼容性。\n\n## 基本使用\nVirtualTaobao 提供了基于 `gym` 的标准接口，可轻松集成到强化学习流程中。以下是最简单的使用示例，展示如何初始化环境并进行随机动作采样：\n\n```python\nimport gym\nimport virtualTB\n\nenv = gym.make('VirtualTB-v0')\nprint(env.action_space)\nprint(env.observation_space)\nprint(env.observation_space.low)\nprint(env.observation_space.high)\nstate = env.reset()\nwhile True:\n    env.render()\n    action = env.action_space.sample()\n    state, reward, done, info = env.step(action)\n    \n    if done: break\nenv.render()\n```\n\n如需更完整的强化学习算法示例（如 DDPG + PyTorch），可参考仓库中的脚本：\n```\nvirtualTB\u002FReinforcementLearning\u002Fmain.py\n```\n\n此外，项目也支持监督学习场景，相关数据集位于：\n```\nvirtualTB\u002FSupervisedLearning\u002Fdataset.txt\n```","某电商平台的推荐算法团队正计划在大促期间引入强化学习优化商品排序，急需一个低成本的测试环境来验证新策略的有效性。\n\n### 没有 VirtualTaobao 时\n- 缺乏真实的用户交互数据支撑，难以在离线阶段模拟复杂的用户决策路径。\n- 直接在生产环境灰度测试新模型风险巨大，一旦策略失误会严重影响用户体验。\n- 静态数据集无法捕捉用户兴趣的动态变化，导致模型泛化能力评估不准确。\n- 依赖线上 A\u002FB 测试获取反馈，实验周期长且流量成本高，迭代效率低下。\n\n### 使用 VirtualTaobao 后\n- VirtualTaobao 基于真实淘宝数据训练，能生成高保真的虚拟用户查询与点击行为。\n- 提供标准的 OpenAI Gym 接口，允许在隔离的沙盒环境中安全地调试强化学习算法。\n- 模拟用户动态属性随交互过程的变化，帮助精准评估模型在多轮推荐中的长期收益。\n- 支持快速批量实验，无需消耗真实流量即可验证策略优劣，显著缩短研发上线周期。\n\nVirtualTaobao 通过构建高保真的零售仿真环境，让推荐算法研发摆脱了对线上流量的依赖，实现了高效、安全的策略迭代。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feyounx_VirtualTaobao_22172ad5.png","eyounx","Yang Yu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Feyounx_445bfbd9.jpg","Professor of School of Artificial Intelligence","Nanjing University","Nanjing, China","yuy@nju.edu.cn",null,"http:\u002F\u002Fwww.lamda.nju.edu.cn\u002Fyuy","https:\u002F\u002Fgithub.com\u002Feyounx",[87],{"name":88,"color":89,"percentage":90},"Python","#3572A5",100,531,97,"2026-03-18T07:34:15","未说明",{"notes":96,"python":94,"dependencies":97},"1. 使用需引用 AAAI'19 论文（Virtual-Taobao）；2. 当前提供 VirtualTB-v0 模型；3. 安装命令为 pip install -e .；4. 支持监督学习和强化学习两种研究场景；5. 物品集内容因保密原因未公开；6. 数据集位于 virtualTB\u002FSupervisedLearning\u002Fdataset.txt。",[98,99],"gym","pytorch",[18],"2026-03-27T02:49:30.150509","2026-04-06T05:37:35.352863",[104,109,113,118,122,126],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},5101,"VirtualTaobao 项目的核心功能和定位是什么？","VirtualTaobao 是一个用于测试推荐算法的环境，本质上是一个实时基准（live benchmark）。它旨在帮助开发者在模拟环境中评估推荐算法的性能。","https:\u002F\u002Fgithub.com\u002Feyounx\u002FVirtualTaobao\u002Fissues\u002F3",{"id":110,"question_zh":111,"answer_zh":112,"source_url":108},5102,"如何在自己的搜索引擎或个人数据集上应用 VirtualTaobao？","如果你想在自有引擎上应用强化学习，建议遵循 Virtual-Taobao 论文的方法，先为自己的引擎构建一个模拟器，然后在该模拟器中训练你的 RL 智能体。",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},5103,"VirtualTaobao 支持哪些模型训练方式？","该项目支持两种训练方式：监督学习（supervised learning）和强化学习（reinforcement learning），具体可参考 README 文档中的演示。","https:\u002F\u002Fgithub.com\u002Feyounx\u002FVirtualTaobao\u002Fissues\u002F1",{"id":119,"question_zh":120,"answer_zh":121,"source_url":117},5104,"项目中是否提供了标准的基准测试（Benchmark）数据？","VirtualTaobao 本身替代了传统的数据集基准。由于任何基准都是在特定推荐模型下收集的，无法客观展示其他模型的真实性能，因此没有能直接验证 VirtualTaobao 环境中学得模型的静态基准。",{"id":123,"question_zh":124,"answer_zh":125,"source_url":117},5105,"如何验证在 VirtualTaobao 环境中训练的模型实际效果？","唯一有效的方法是将模型部署到真实的淘宝环境中进行测试。根据 AAAI 2019 论文报告，经过 VirtualTaobao 训练的受限模型在线测试相比基于监督学习的模型实现了约 2% 的性能提升。",{"id":127,"question_zh":128,"answer_zh":129,"source_url":117},5106,"为什么无法发布包含全特征和全数据的完整版 VirtualTaobao？","出于隐私保护的考虑，无法发布全尺寸版本。目前仅提供基于选定特征的小型版本，这种处理方式与公共数据集基准保持一致。",[]]