『PaddleRec』在线运行项目合集

PaddleRec模型在线运行项目合集，使用demo数据供您快速体验模型效果

AI Studio

412人浏览 · 2021-12-18 12:38:47

AI Studio · 2021-12-18 12:38:47 发布

PaddleRec模型在线运行项目合集，使用demo数据供您快速体验模型效果

PaddleRec简介

GitHub链接：https://github.com/PaddlePaddle/PaddleRec

官方文档：https://paddlerec.readthedocs.io/en/latest/

推荐系统虽然已经成为了当前互联网企业的必备应用，但是由于推荐系统涉及的背景技术多、工程要求高，搭建企业自身的推荐系统变成了门槛较高的工作。当前搭建推荐系统主要有如下几个痛点：

易用性差：推荐领域的经典模型、前沿模型多，实现来源五花八门。不同训练方式、不同模型的接口复杂且不统一，难以快速上手及对比效果、性能。
部署困难：单一来源一般无法覆盖内容理解、召回、排序、融合等推荐系统的各个环节，即使支持各个环节的模型，也不支持模型部署。

为了能让广大搜索推荐领域的AI从业者，尤其是AI应用人员可以方便快捷的基于自己的业务搭建出推荐系统，飞桨推出了PaddleRec推荐模型库，为广大用户提供搭建推荐系统的一站式解决方案。PaddleRec具备如下特点：

源于飞桨生态的搜索推荐模型一站式开箱即用工具。
适合初学者、AI从业或科研人员的推荐系统全流程解决方案。
包含内容理解、匹配、召回、排序、多任务、重排序等多个任务的完整推荐搜索算法库。

正是因为传统的搭建推荐系统方式具备这些缺点，因此PaddleRec可以利用自身优势解决企业痛点，具体方式如下：
PaddleRec利用自身优势解决企业痛点：

易用性强：开源了召回、排序、融合、多任务等多种类型的业内经典模型，效果达到SOTA，能够快速进行模型效果验证并提升模型的迭代效率。用户可以基于K8s快速搭建训练环境，支持易用且性能极佳的分布式训练能力，针对大规模稀疏场景极限优化，具有良好的水平扩展能力及加速比。
支持部署：提供模型线上部署方案，即训即用，兼顾灵活开发和高性能。

PaddleRec拥有人数众多的中文社区，完善的文档和教程，遇到问题可以快速找到解决方案。而针对真实业务用户可以及时提供技术支持。我们非常欢迎您的 Clone + Star + Fork 一键三连！~ 点击这里了解更多，使用Paddle及PaddleRec打造适合你的应用场景的专属模型吧！