ctr4keras

• 更清晰、更轻量的keras版本的ctr模型库
• 使用方法详见ctr4keras/examples

说明

感谢浅梦大佬的DeepCTR 和苏神的bert4keras ,本实现有不少地方借鉴了DeepCTR和bert4keras的代码。

功能

• 支持多种特征结构的输入，包含连续型（dense）、离散型（sparse）、有序型、多值离散型 和 时间序列型 特征
• 支持各种CTR模型的训练
• 支持常见ctr损失函数，如focal loss
• 支持各种组件（layer）的拼接，得到新模型（model）
• 支持结果可视化和tf serving的部署
• 支持各种深度学习模型与lambda结合的排序模型

主要框架

模型

Finished	Model	Paper
☑	LR	[1986] Logistic Regression
☑	FM	[IEEE 2010]Factorization Machines
☑	CCPM	[CIKM 2015]A Convolutional Click Prediction Model
☑	FNN	[ECIR 2016]Deep Learning over Multi-field Categorical Data: A Case Study on User Response Prediction
☑	DWL	[DLRS 2016]Wide & Deep Learning for Recommender Systems
☑	DeepFM	[IJCAI 2017]DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
☑	DCN	[ADKDD 2017]Deep & Cross Network for Ad Click Predictions
☑	NFM	[SIGIR 2017]Neural Factorization Machines for Sparse Predictive Analytics
☑	AFM	[IJCAI 2017]Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks
☑	DIN	[KDD 2018]Deep Interest Network for Click-Through Rate Prediction
☑	AutoInt	[CIKM 2019]AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks
☑	BST	[DLP-KDD 2019]Behavior sequence transformer for e-commerce recommendation in Alibaba
☐	DIEN	[AAAI 2019]Deep Interest Evolution Network for Click-Through Rate Prediction
☐	DSIN	[IJCAI 2019]Deep Session Interest Network for Click-Through Rate Prediction
☑	DeepAFM

更新

• 2022.06.09: 新增rank和lambda两种pairwise的训练方法，适用于所有深度学习模型
• 2021.04.25: 加入DIN，BST
• 2021.04.22: 加入AutoInt，特征可以定制vocab
• 2021.04.20: 加入gauc评估指标，加入全局种子便于结果复现
• 2021.04.16: 支持NFM，CCPM，AFM，DeepAFM
• 2021.04.14: 支持LR，FM，DWL，FNN，DeepFM，DCN，加入focal loss

使用

Lambda使用：模型生成时插入深度学习模型即可，详情见examples/run_lambda_dcn.py

model = LambdaRanker(
    module=DCN,  # 可以是其他任意模型
    features=preprocessor.features,
    cross_layer_num=5,
    dense_emb_dim=4,
    dense_hidden_dims=[128, 128, 32],
    regularizer=1e-5
)