『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
·
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!
PaddleRec 项目合集
tagspace
textcnn
dssm
match-pyramid
multiview-simnet
esmm
maml
share_bottom
ple
mmoe
bst
dcn
deepfefm
deepfm
dien
difm
din
dlrm
dmr
dnn
ffm
fm
gatenet
logistic_regression
naml
wide&deep
xdeepfm
word2vec
ncf
mind
deepwalk
更多推荐
已为社区贡献1438条内容
所有评论(0)