# EasyDeepRecommand
**Repository Path**: cf_moyu/EasyDeepRecommand
## Basic Information
- **Project Name**: EasyDeepRecommand
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-25
- **Last Updated**: 2026-06-25
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
一个通俗易懂的开源推荐系统（A user-friendly open-source project for recommendation systems）.
本项目将结合：**代码、数据流转图、博客、模型发展史** 等多个方面通俗易懂地讲解经典推荐模型，让读者通过一个项目了解推荐系统概况！
非常适合"**新手入门**"、"**阅读推荐相关经典论文**"
持续更新中..., 欢迎star🌟, 第一时间获取更新!!!
## Features
**1️⃣** 分类解析推荐模型：特征交叉模型、多任务模型、行为序列模型等
**2️⃣** 通过blog详细解释模型/论文
**3️⃣** 提供模型发展图：介绍模型的优缺点，解决了什么问题，以及前后因果关系
**4️⃣** 提供详细的代码注释，并包含详细的数据处理模块
## Development of model
```mermaid
graph LR
A[推荐模型] --> B[特征交叉模型]
A --> C[多任务模型]
B --> B1[Wide and Deep DLRS16 谷歌]
B1 --> B1a[优点: Wide增强记忆,Deep增强泛化; 结构简单高效]
B1 --> B1b[缺点: 需手工特征交互; 维度上升模型变复杂]
B --> B2[DCN V1 AKDD17 谷歌]
B2 --> B2a[优点: 适合小规模; 逐层特征交叉]
B2 --> B2b[缺点: 大规模表达能力有限]
B --> B3[DCN V2 WWW21 谷歌]
C --> C1[Shared Bottom 结构]
C1 --> C1a[优点: 共享参数降低复杂度; 多任务互相促进]
C1 --> C1b[缺点: 负迁移; 跨域表现差]
C --> C2[MMoE]
C --> C3[PLE]
```
和很多朋友交流发现，我们在读很多论文时，都聚焦于论文中提出的模型本身，而没有关心模型间的因果关系，所以这个 **板块用来介绍模型优缺点和模型间的前后因果关系。**
由于很多论文中都没有显式介绍自己模型的优缺点和前因后果，所以很多观点都是本人结合网上资料加上个人理解作出的，如果有不对的地方，欢迎在issue中交流讨论。
## Dataset
| Name | Preprocess_url | Download | Progress |
| ------ | ------------------------------------------------------------ | ------------------------------------------------------------ | -------- |
| Criteo | [criteo_preprocess.py](https://github.com/Iamctb/EasyDeepRecommand/blob/main/DataProcess/criteo/criteo_preprocess.py): 预处理源代码 | [Download_URL](https://github.com/reczoo/Datasets/tree/main/Criteo) | ✅ |
| | [预处理说明](https://github.com/Iamctb/EasyDeepRecommand/blob/main/DataProcess/criteo/readme_about_criteo_preprocess.md) | | |
## Model_Zoo
| No. | Publication | Model | Blog | Paper | Version |
| ---- | ----------- | ---------- | ------------------------------------------------------------ | ------------------------------------------------------------ | -------------------------------------------------------- |
| 1 | DLRS'16 | WideDeep | 📝 [WideDeep](https://blog.csdn.net/qq_41915623/article/details/138839827?fromshare=blogdetail&sharetype=blogdetail&sharerId=138839827&sharerefer=PC&sharesource=qq_41915623&sharefrom=from_link) | [Wide & Deep Learning for Recommender Systems](https://arxiv.org/pdf/1606.07792.pdf), **Google** | ✅torch |
| 2 | ADKDD'17 | DCN | 📝 [DCN](https://blog.csdn.net/qq_41915623/article/details/145951277?fromshare=blogdetail&sharetype=blogdetail&sharerId=145951277&sharerefer=PC&sharesource=qq_41915623&sharefrom=from_link) | [Deep & Cross Network for Ad Click Predictions](https://arxiv.org/abs/1708.05123), **Google** | ✅torch |
| 3 | WWW'21 | DCV-v2 | 📝 [DCN-v2](https://blog.csdn.net/qq_41915623/article/details/148999994?fromshare=blogdetail&sharetype=blogdetail&sharerId=148999994&sharerefer=PC&sharesource=qq_41915623&sharefrom=from_link) | [DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems](https://arxiv.org/abs/2008.13535), **Google** | ✅torch |
| 4 | NeurIPS'23 | TIGER | 📝 [Tiger](https://blog.csdn.net/qq_41915623/article/details/155646041) | [Recommender Systems with Generative Retrieval](https://arxiv.org/abs/2305.05065), **Google** | [Unofficial Code](https://github.com/XiaoLongtaoo/TIGER) |
| 5 | | MiniOneRec | 📝[MiniOneRec-RQVAE](https://blog.csdn.net/qq_41915623/article/details/160474397?fromshare=blogdetail&sharetype=blogdetail&sharerId=160474397&sharerefer=PC&sharesource=qq_41915623&sharefrom=from_link) 📝[MiniOneRec-SFT](https://blog.csdn.net/qq_41915623/article/details/160474645?fromshare=blogdetail&sharetype=blogdetail&sharerId=160474645&sharerefer=PC&sharesource=qq_41915623&sharefrom=from_link) | [MiniOneRec: An Open-Source Framework for Scaling Generative Recommendation](https://arxiv.org/abs/2510.24431) | [MiniOneRec](https://github.com/AkaliKong/MiniOneRec) |
## Dependencies
本项目环境主要有：
- python=3.8.20
- pytorch=1.13.0
其余安装包可以使用下面命令安装：
```
pip install -r requirements.txt
```
## Quick Start
以Criteo数据集和WideDeep举例：
***Step1:*** 数据预处理
```python
cd DataProcess/criteo
python criteo_preprocess.py
```
样本数据是使用的Criteo一万条数据作为示例，在执行命令过程中，需要注意 **数据集的路径**
***Step2:*** 训练模型
在 [data_config.json](https://github.com/Iamctb/EasyDeepRecommand/blob/main/ModelZoo/WideDeep/WideDeep_torch/config/data_config.json) 中配置数据集路径；
在 [model_config.json](https://github.com/Iamctb/EasyDeepRecommand/blob/main/ModelZoo/WideDeep/WideDeep_torch/config/model_config.json) 中配置模型信息；
然后运行下面命令即可：
```python
cd ModelZoo/WideDeep/WideDeep_torch
python train.py
```
## 最后
开源项目的一个很大特点就是：**共创！**
欢迎各位在issue中交流讨论。
如果你觉得还不错的话，请帮忙点个star🌟吧，非常感谢！！！
If you think it's good, please help out with a star🌟, thank you !!!
