[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yihong-chen--neural-collaborative-filtering":3,"tool-yihong-chen--neural-collaborative-filtering":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":79,"difficulty_score":23,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":102,"github_topics":103,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":147},2341,"yihong-chen\u002Fneural-collaborative-filtering","neural-collaborative-filtering","pytorch version of neural collaborative filtering","neural-collaborative-filtering 是一个基于 PyTorch 框架实现的神经协同过滤（NCF）开源项目，旨在利用深度学习技术优化推荐系统。它核心解决了传统推荐算法难以捕捉用户与物品之间复杂非线性交互关系的问题，通过神经网络自动学习这些特征，从而提供更精准的个性化推荐。\n\n该工具非常适合从事推荐系统研发的工程师、人工智能研究人员以及希望深入理解 NCF 原理的开发者使用。相较于官方提供的 TensorFlow 版本，本项目专为 PyTorch 生态打造，让习惯使用 PyTorch 的社区成员能更便捷地复现经典论文成果并进行二次开发。\n\n其技术亮点在于完整复现了广义矩阵分解（GMF）、多层感知机（MLP）以及两者融合的 NeuMF 模型。项目不仅提供了从数据预处理、模型训练到评估指标（如命中率 HR 和 NDCG）的全流程代码，还分享了关于预训练嵌入层以加速收敛、以及正则化参数调优等宝贵的实验洞察。无论是用于学术研究的基准测试，还是作为构建高性能推荐引擎的起点，neural-collaborative-filtering 都是一个实用且易于上手的参考实现。","# neural-collaborative-filtering\nNeural collaborative filtering(NCF), is a deep learning based framework for making recommendations. The key idea is to learn the user-item interaction using neural networks. Check the follwing paper for details about NCF.\n\n> He, Xiangnan, et al. \"Neural collaborative filtering.\" Proceedings of the 26th International Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2017.\n\nThe authors of NCF actually published [a nice implementation](https:\u002F\u002Fgithub.com\u002Fhexiangnan\u002Fneural_collaborative_filtering) written in tensorflow(keras). This repo instead provides my implementation written in **pytorch**. I hope it would be helpful to pytorch fans. Have fun playing with it!\n\n## Run!\n```bash\npython train.py\n```\nmodify the config in `train.py` to change the hyper-parameters.\n\n## Dataset\n[The Movielens 1M Dataset](http:\u002F\u002Fgrouplens.org\u002Fdatasets\u002Fmovielens\u002F1m\u002F) is used to test the repo.\n\n## Files\n\n> `data.py`: prepare train\u002Ftest dataset\n>\n> `utils.py`: some handy functions for model training etc.\n>\n> `metrics.py`: evaluation metrics including hit ratio(HR) and NDCG\n>\n> `gmf.py`: generalized matrix factorization model\n>\n> `mlp.py`: multi-layer perceptron model\n>\n> `neumf.py`: fusion of gmf and mlp\n>\n> `engine.py`: training engine\n>\n> `train.py`: entry point for train a NCF model\n\n## Performance\nThe hyper params are not tuned. Better performance can be achieved with careful tuning, especially for the MLP model. Pretraining the user embedding & item embedding might be helpful to improve the performance of the MLP model. \n\nExperiments' results with `num_negative_samples = 4` and `dim_latent_factor=8`  are shown as follows\n\n![GMF V.S. MLP](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_51de5f2de22a.png)\n\nNote that the MLP model was trained from scratch but the authors suggest that the performance might be boosted by pretrain the embedding layer with GMF model.\n\n![NeuMF pretrain V.S no pretrain](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_5e7ccb1eca15.png)\n\nThe pretrained version converges much faster.\n\n### L2 regularization for GMF model\nLarge l2 regularization might lead to the bug of  `HR=0.0 NDCG=0.0`\n\n### L2 regularization for MLP model\na bit l2 regulzrization seems to improve the performance of the MLP model\n\n![L2 for MLP](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_2a7a9e94550f.png)\n\n### MLP with pretrained user\u002Fitem embedding\nPre-training the MLP model with user\u002Fitem embedding from the trained GMF gives better result.\n\nMLP network size = [16, 64, 32, 16, 8]\n\n![Pretrain for MLP](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_6f9b7abc58c4.png)\n![Pretrain for MLP](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_7509234f860e.png)\n\n### Implicit feedback without pretrain\nRatings are set to 1 (interacted) or 0 (uninteracted). Train from scratch.\n![binarize](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_f66d4eb57104.png) \n\n## CPU training\nThe code can also run on CPUs and actually pretty fast for small datasets.\n## Requirements\nThe repo works under torch 1.0 (gpu&cpu) and torch 2.3.1(cpu, gpu yet to be tested). You can find the old versions in **tags**.\n\n\n","# 神经协同过滤\n神经协同过滤（NCF）是一种基于深度学习的推荐框架。其核心思想是利用神经网络来学习用户与物品之间的交互关系。有关 NCF 的详细信息，请参阅以下论文：\n\n> He, Xiangnan, et al. “Neural collaborative filtering.” 第26届万维网国际会议论文集. 国际万维网会议指导委员会, 2017.\n\nNCF 的作者实际上发布了一个用 TensorFlow（Keras）编写的优秀实现：[github.com\u002Fhexiangnan\u002Fneural_collaborative_filtering](https:\u002F\u002Fgithub.com\u002Fhexiangnan\u002Fneural_collaborative_filtering)。而本仓库则提供了我使用 **PyTorch** 编写的实现版本。希望对 PyTorch 的爱好者有所帮助！尽情体验吧！\n\n## 运行！\n```bash\npython train.py\n```\n修改 `train.py` 中的配置以调整超参数。\n\n## 数据集\n本仓库使用 [MovieLens 1M 数据集](http:\u002F\u002Fgrouplens.org\u002Fdatasets\u002Fmovielens\u002F1m\u002F) 进行测试。\n\n## 文件说明\n\n> `data.py`: 准备训练\u002F测试数据集\n>\n> `utils.py`: 模型训练等过程中的一些实用函数\n>\n> `metrics.py`: 包括命中率（HR）和归一化折损累计增益（NDCG）在内的评估指标\n>\n> `gmf.py`: 广义矩阵分解模型\n>\n> `mlp.py`: 多层感知机模型\n>\n> `neumf.py`: GMF 和 MLP 的融合模型\n>\n> `engine.py`: 训练引擎\n>\n> `train.py`: 训练 NCF 模型的入口文件\n\n## 性能\n目前尚未对超参数进行调优。通过仔细调参，尤其是针对 MLP 模型，可以获得更好的性能。预先训练用户嵌入和物品嵌入可能有助于提升 MLP 模型的性能。\n\n在 `num_negative_samples = 4` 且 `dim_latent_factor=8` 的条件下，实验结果如下所示：\n\n![GMF 对比 MLP](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_51de5f2de22a.png)\n\n需要注意的是，这里的 MLP 模型是从零开始训练的，但作者建议可以通过 GMF 模型预训练嵌入层来进一步提升性能。\n\n![NeuMF 预训练对比未预训练](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_5e7ccb1eca15.png)\n\n预训练版本的收敛速度要快得多。\n\n### GMF 模型的 L2 正则化\n过大的 L2 正则化可能会导致 `HR=0.0 NDCG=0.0` 的问题。\n\n### MLP 模型的 L2 正则化\n适度的 L2 正则化似乎能够提升 MLP 模型的性能。\n\n![MLP 的 L2 正则化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_2a7a9e94550f.png)\n\n### 使用预训练用户\u002F物品嵌入的 MLP\n如果先用训练好的 GMF 模型生成用户和物品嵌入，再用于 MLP 模型的预训练，效果会更好。\n\nMLP 网络结构为：[16, 64, 32, 16, 8]\n\n![MLP 预训练后的命中率](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_6f9b7abc58c4.png)\n![MLP 预训练后的 NDCG](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_7509234f860e.png)\n\n### 隐式反馈且未预训练\n评分被设置为 1（交互）或 0（未交互），从零开始训练。\n![二值化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_readme_f66d4eb57104.png)\n\n## CPU 上的训练\n该代码也可以在 CPU 上运行，并且对于小型数据集来说速度相当快。\n\n## 依赖项\n本仓库支持 PyTorch 1.0（GPU 和 CPU）以及 PyTorch 2.3.1（CPU，尚未测试 GPU）。旧版本可以在 **tags** 中找到。","# Neural Collaborative Filtering (NCF) 快速上手指南\n\n本指南基于 PyTorch 实现的神经协同过滤（NCF）框架，帮助开发者快速构建基于深度学习的推荐系统。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：建议 Python 3.6+\n- **硬件支持**：支持 CPU 和 GPU 训练（小数据集在 CPU 上运行速度也很快）\n\n### 前置依赖\n本项目主要依赖 PyTorch。根据官方说明，已在以下版本验证通过：\n- **推荐版本**：PyTorch 1.0 (稳定支持 GPU\u002FCPU)\n- **测试版本**：PyTorch 2.3.1 (CPU 已测，GPU 待测)\n\n安装核心依赖（推荐使用国内镜像源加速）：\n\n```bash\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n其他标准库（如 `numpy`, `pandas` 等）通常随 PyTorch 自动安装或已预装，如有缺失请按需安装。\n\n## 安装步骤\n\n1. **克隆仓库**\n   将项目代码下载到本地：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fyour-target-repo\u002Fneural-collaborative-filtering.git\n   cd neural-collaborative-filtering\n   ```\n   *(注：请替换为实际的项目仓库地址)*\n\n2. **准备数据集**\n   本项目默认使用 **Movielens 1M Dataset** 进行测试。\n   - 下载地址：[http:\u002F\u002Fgrouplens.org\u002Fdatasets\u002Fmovielens\u002F1m\u002F](http:\u002F\u002Fgrouplens.org\u002Fdatasets\u002Fmovielens\u002F1m\u002F)\n   - 将下载的数据文件放置在项目指定的数据目录中（具体路径请参考 `data.py` 中的配置）。\n   - 脚本 `data.py` 会自动处理训练集和测试集的准备工作。\n\n## 基本使用\n\n### 启动训练\n完成环境配置和数据准备后，直接运行入口脚本即可开始训练默认的 NCF 模型：\n\n```bash\npython train.py\n```\n\n### 调整超参数\n如需修改模型结构、学习率、负采样数量等超参数，请直接编辑 `train.py` 文件中的配置部分。\n\n### 核心模块说明\n- `gmf.py`: 广义矩阵分解模型\n- `mlp.py`: 多层感知机模型\n- `neumf.py`: GMF 与 MLP 的融合模型 (NeuMF)\n- `metrics.py`: 评估指标（包含命中率 HR 和 NDCG）\n\n> **性能提示**：默认超参数未经过精细调优。对于 MLP 模型，尝试使用 GMF 训练好的用户\u002F物品嵌入进行预训练（Pretraining），或适当添加 L2 正则化，通常能显著提升收敛速度和最终效果。","某中型流媒体平台的数据科学团队正致力于优化其电影推荐系统，以解决用户流失率高的问题。\n\n### 没有 neural-collaborative-filtering 时\n- **模型表达能力受限**：团队仅能使用传统的矩阵分解算法，难以捕捉用户与电影之间复杂的非线性交互特征，导致推荐结果过于单一。\n- **冷启动与稀疏性难题**：面对大量只有隐式反馈（如点击、观看时长）而无明确评分的数据，传统方法无法有效建模，长尾电影的曝光率极低。\n- **框架迁移成本高**：虽然学术界有优秀的 TensorFlow 实现参考，但团队技术栈统一为 PyTorch，重新复现论文算法耗时耗力且容易出错。\n- **调优缺乏基准**：缺少包含 GMF、MLP 及 NeuMF 融合模型的完整基线代码，难以快速验证超参数调整对命中率（HR）和 NDCG 指标的实际影响。\n\n### 使用 neural-collaborative-filtering 后\n- **深度特征挖掘**：直接利用 neural-collaborative-filtering 中的 MLP 和 NeuMF 模块，成功学习了用户 - 物品间的高阶非线性关系，显著提升了个性化推荐准确度。\n- **隐式反馈高效处理**：借助工具内置的数据预处理逻辑，将用户的观看行为转化为有效的训练样本，大幅改善了冷门电影的推荐表现。\n- **原生 PyTorch 集成**：团队无需进行框架转换，直接基于该仓库的 `train.py` 和 `engine.py` 进行二次开发，将模型上线周期从数周缩短至几天。\n- **预训练策略加速收敛**：采纳工具推荐的\"GMF 预训练嵌入层”策略，不仅让模型收敛速度大幅提升，还在未精细调参的情况下获得了更优的评估指标。\n\nneural-collaborative-filtering 通过提供生产级的 PyTorch 实现，帮助团队低成本地实现了从传统推荐到深度学习推荐的平滑升级。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyihong-chen_neural-collaborative-filtering_51de5f2d.png","yihong-chen","Yihong Chen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyihong-chen_7cc6a2f0.png","Curiosity is the constant happiness.\r\n",null,"https:\u002F\u002Fyihong-chen.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fyihong-chen",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",70.9,{"name":88,"color":89,"percentage":90},"Python","#3572A5",29.1,512,162,"2026-04-02T03:11:41","未说明","非必需。支持 CPU 和 GPU 运行；README 提及在 torch 1.0 下支持 GPU，但在 torch 2.3.1 下 GPU 支持尚未测试。未指定具体显卡型号、显存大小或 CUDA 版本。","未说明（文中仅提到在小数据集上 CPU 运行速度相当快）",{"notes":98,"python":94,"dependencies":99},"该工具是基于 PyTorch 实现的神经协同过滤（NCF）框架。默认使用 Movielens 1M 数据集进行测试。代码可在 CPU 上运行且对小数据集效率较高。超参数未在代码中自动调优，需手动修改 `train.py` 中的配置。对于 MLP 模型，建议使用 GMF 模型预训练的用户\u002F物品嵌入层以提升性能和收敛速度。过大的 L2 正则化可能导致 GMF 模型评估指标为 0。",[100,101],"torch>=1.0","torch\u003C=2.3.1",[13],[104,105,106,107,108],"python","collaborative-filtering","deep-learning","matrix-factorization","recommender-systems","2026-03-27T02:49:30.150509","2026-04-06T05:37:39.638974",[112,117,122,127,132,137,142],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},10761,"在大数据集上测试时出现 OOM（内存溢出）错误怎么办？","这是因为代码试图将所有测试数据作为一个巨大的 batch 进行处理，导致显存不足。\n解决方案：\n1. 修改测试数据加载器（Test Dataloader），使其支持迭代处理测试集，而不是一次性加载。\n2. 将测试数据分批次（mini-batch）进行评估，避免单次计算量过大。\n3. 项目已通过相关 PR 合并了针对此问题的修复，建议更新代码以支持分批测试。","https:\u002F\u002Fgithub.com\u002Fyihong-chen\u002Fneural-collaborative-filtering\u002Fissues\u002F7",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},10756,"运行时出现 'FileNotFoundError: No such file or directory' 错误，找不到预训练模型文件怎么办？","该错误通常是因为配置文件中指定的预训练模型文件名与实际生成的文件不匹配。解决步骤如下：\n1. 首先运行并训练 GMF 模型（gmf_factor）。\n2. 在 checkpoints 目录中找到表现最好的模型文件（文件名会包含具体的 HR 和 NDCG 数值，与默认名称不同）。\n3. 修改配置文件，将 'pretrain_mf' 或相关路径设置替换为你找到的最佳模型文件名，例如：'checkpoints\u002F{}'.format('YOUR_BEST_MODEL_NAME')。","https:\u002F\u002Fgithub.com\u002Fyihong-chen\u002Fneural-collaborative-filtering\u002Fissues\u002F3",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},10757,"训练结果显示 HR 和 NDCG 均为 0.0000，可能是什么原因？","这通常由两个原因导致：\n1. PyTorch 版本兼容性问题：旧版本中 `MSELoss` 的实现可能存在 Bug，建议升级到较新的 PyTorch 版本（如 1.0.1post2 或更高）。\n2. 正则化参数过强：检查配置文件中的 `l2_regularization` 参数，过强的 L2 正则化会导致模型欠拟合（underfitting），从而使评估指标为 0。请尝试减小该参数值。","https:\u002F\u002Fgithub.com\u002Fyihong-chen\u002Fneural-collaborative-filtering\u002Fissues\u002F5",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},10758,"运行时报错 'AssertionError: CUDA is not available' 或 'invalid device ordinal' 如何解决？","这通常是因为配置的 GPU 设备 ID（device_id）超出了服务器实际可用的 GPU 数量。\n解决方法：\n1. 检查服务器可用的 GPU 数量（例如使用 `nvidia-smi`）。\n2. 确保代码或配置文件中的 `device_id` 设置不超过可用 GPU 的最大索引（例如只有 4 张卡时，ID 应为 0-3，不能设为 7）。\n3. 如果问题依旧，尝试重新安装 PyTorch 和 CUDA 以确保环境匹配。","https:\u002F\u002Fgithub.com\u002Fyihong-chen\u002Fneural-collaborative-filtering\u002Fissues\u002F1",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},10759,"如何处理只有交互次数（隐式反馈）而没有评分的数据集？","NCF 模型可以应用于隐式反馈数据集（如 Audioscrobbler 数据集，其中交互次数代表用户听歌次数）。\n处理方法：\n1. 将交互次数视为置信度或直接作为二元交互信号（即只要有过交互就视为正样本）。\n2. 数据预处理时，不需要显式的评分值，只需构建用户 - 物品的交互矩阵。\n3. 该项目已支持此类数据集的应用，具体实现可参考相关的 Pull Request 更新。","https:\u002F\u002Fgithub.com\u002Fyihong-chen\u002Fneural-collaborative-filtering\u002Fissues\u002F4",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},10760,"为什么复现的结果（HR@10）低于论文中报告的数值（如未达到 0.7）？","结果偏低的主要原因可能是缺少权重初始化调优（weight initialization tuning）。\n建议方案：\n1. 检查代码中是否包含了与论文一致的权重初始化策略。\n2. 参考其他高复现度的仓库（如 guoyang9\u002FNCF）进行对比，这些仓库实现了与原文一致甚至更高的分数。\n3. 确保超参数（如 latent factor 维度）与论文设置完全一致。","https:\u002F\u002Fgithub.com\u002Fyihong-chen\u002Fneural-collaborative-filtering\u002Fissues\u002F12",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},10762,"代码实现与原始论文不符，特别是负采样部分有问题吗？","是的，早期版本的 `data.py` 中 `_sample_negative` 函数存在逻辑缺陷。它利用 ratings 生成负样本时，错误地排除了测试集中的物品，而根据论文，测试物品在训练集中应被视为负样本参与采样。\n该问题已通过社区的 Pull Request（如 #23）修复，修复后的代码能够产生与论文报告相当的结果。建议拉取最新代码或使用修复后的版本。","https:\u002F\u002Fgithub.com\u002Fyihong-chen\u002Fneural-collaborative-filtering\u002Fissues\u002F22",[148,151,154,157],{"id":149,"version":150,"summary_zh":79,"released_at":79},71365,"torch2.3.1",{"id":152,"version":153,"summary_zh":79,"released_at":79},71366,"torch1.0",{"id":155,"version":156,"summary_zh":79,"released_at":79},71367,"torch0.4",{"id":158,"version":159,"summary_zh":79,"released_at":79},71368,"torch0.2"]