AutoX Recommend System

联系方式

AutoX贡献者意向成员群
Email: [email protected]

参与流程

找到自己感兴趣的issues;
在issue下方留言, 表明自己即将在感兴趣的issue上展开工作,我们的社区维护者将会把该issue的assignee变更为你;
你现在可以正常地编写代码，提交PR了.

1. 数据集收集和处理

数据	数据处理
MovieLens	MovieLens_data_process
netflix	Netflix-data-process
HM	待认领
Retailrocket recommender system dataset	Retailrocket_data_process
Amazon electronic product recommendation	待认领
Restaurant Recommendations	Restaurant_data_process
Amazon product data	待认领
kdd cup 2020	KDD Cup 2020

欢迎将其他开源的数据集加进来，数据处理方法参考 MovieLens_data_process.

2. 基于当前设计框架，开发其中的组件.

组件	状态	code
流行商品召回	已完成	popular_recall
历史购买召回	已完成	history_recall
ItemCF	已完成	itemcf_recall
UserCF	待认领
BinaryNet	已完成	binary_recall
Swing	待认领
分组流行商品	待认领
w2v内容召回	已完成	w2v_content_recall
NLP内容召回	待认领
图像内容召回	待认领
Random graph walk	待认领
负样本降采样	待认领
User特征	已完成	user_feature_engineer
Item特征	待认领
交互特征	已完成	interact_feature_engineer
Lightgbm ranker	已完成	ranker
Lightgbm binary	待认领
Xgboost binary	待认领
Catboost binary	待认领
transformer	待认领	参考

3. pipeline优化, 并在数据集上测试pipeline的效果;

版本(git commit号): a0be65232cc1b929b919268310d4474c4274521c
效果

数据	调用代码	map@12
MovieLens	MovieLens_AutoX_recall_and_rank	0.08030
HM	HM_AutoX_recall_and_rank	0.02436(public score)
内部数据-某服饰客户	None	0.47096

版本(git commit号): e223402e6de967e9821df9037e58361751ac0b6c
效果

数据	调用代码	map@12
MovieLens	MovieLens_AutoX_recall_and_rank	0.07350
HM	HM_AutoX_recall_and_rank	0.02616(public score)
内部数据-某服饰客户	ms_AutoX_recall_and_rank_0520.ipynb	0.46964

4. 第2点中组件效果/效率的优化

组件	优化点	状态
ItemCF	并行化	待认领
UserCF	并行化	待认领
交互特征	优化	待认领

5. 研究课题

做一些创新的研究, 在有效果的基础上, 可以合作发论文(有第四范式研究员以及高校老师合作)。

思路1: 推荐系统结合多模态(例如结合图像和文字描述学习商品的表征用于冷启动)
其他: 欢迎提出其他的一些思路来沟通.