DeepCTR:易用、模块化、可扩展的深度学习CTR预估模型库

DeepCTR

DeepCTR:易用、模块化、可扩展的深度学习CTR预估模型库

DeepCTR是一个基于深度学习的点击率(CTR)预估模型库,由阿里巴巴的研究人员开发和维护。它提供了一系列经典和最新的CTR预估模型的实现,同时具有易用性、模块化和可扩展性等特点,可以帮助研究人员和工程师快速构建、训练和部署复杂的CTR模型。

主要特性

易用性
- 提供类似Keras的简洁API,只需几行代码即可构建和训练模型
- 兼容TensorFlow 1.x和2.x版本
- 支持Keras模型和TensorFlow Estimator两种接口
模块化
- 将常用的网络结构(如Embedding层、交叉网络等)封装成可重用的模块
- 可以灵活组合各种模块来构建自定义模型
可扩展性
- 提供丰富的基础组件,方便扩展和实现新的模型结构
- 支持自定义损失函数、评估指标等
功能丰富
- 实现了20多种经典和最新的CTR模型,如DeepFM、xDeepFM、AutoInt等
- 支持多值离散特征、序列特征等复杂输入
- 提供多任务学习模型如ESMM、MMOE等
性能优化
- 支持大规模稀疏数据的高效处理
- 可以利用TensorFlow的分布式训练能力

支持的模型

DeepCTR实现了大量经典和前沿的CTR预估模型,包括但不限于:

FM家族:FM、FFM、DeepFM、xDeepFM等
基于注意力的模型:AFM、AutoInt等
序列模型:DIN、DIEN、BST等
多任务学习模型:ESMM、MMOE、PLE等
其他经典模型:Wide&Deep、DCN、FGCNN等

这些模型覆盖了CTR预估领域的主要技术路线,可以满足大多数应用场景的需求。

快速开始

使用DeepCTR构建和训练一个模型非常简单,只需几行代码:

from deepctr.models import DeepFM
from deepctr.feature_column import SparseFeat, DenseFeat, get_feature_names

# 1. 定义特征列
sparse_features = ['C' + str(i) for i in range(1, 27)]
dense_features = ['I' + str(i) for i in range(1, 14)]

dnn_feature_columns = [SparseFeat(feat, vocabulary_size=1000,embedding_dim=4)
                       for feat in sparse_features] + [DenseFeat(feat, 1,)
                      for feat in dense_features]
linear_feature_columns = dnn_feature_columns

feature_names = get_feature_names(linear_feature_columns + dnn_feature_columns)

# 2. 构建DeepFM模型
model = DeepFM(linear_feature_columns, dnn_feature_columns, task='binary')
model.compile("adam", "binary_crossentropy", metrics=['binary_crossentropy'])

# 3. 训练模型
history = model.fit(train_model_input, train[target].values,
                    batch_size=256, epochs=10, verbose=2, validation_split=0.2)