reczoo/FuxiCTR

FuxiCTR – 开源点击率（CTR）预测库

是什么

• 一个可在 PyPI 上获取的 Python 包，集成了大量前沿的 CTR 预测模型。适用于在线广告、推荐系统和赞助搜索等工业级任务。
• 支持 PyTorch 2.5+ 和 TensorFlow 2.21+，您可以自由选择偏好的深度学习框架。

为何重要

• CTR 预测是许多盈利服务的核心组件。研究人员需要可复现的基准，工程师需要可快速调优和扩展的即插即用实现。FuxiCTR 同时满足两者需求。

核心设计要点

特性	提供的能力
可配置	数据预处理流水线和模型架构模块化，可通过简单的 YAML/JSON 配置文件组装，无需编写代码。
可调优	内置超参数搜索功能——只需修改同一配置文件即可启动自动调优任务。
可复现	所有已发布的基准（“模型动物园”）可通过单条命令重新运行，确保结果与论文一致。
可扩展	添加新模型只需实现一个 PyTorch 或 TensorFlow 模块，其余流程（数据处理、训练循环、评估）可复用。

模型动物园

• 仓库包含 41+ 个即用型模型，涵盖从经典线性回归（LR）、因子分解机（FM）到近期图结构和注意力机制架构（如 FiGNN、AutoInt、WuKong）。
• 每个模型条目均列出原始会议/期刊、论文链接及支持的框架（torch、tf 或两者）。
• 模型分为两个逻辑组别：
  1. 特征交互模型 – 专注于学习稀疏特征间高阶交互的纯 CTR 预测模型。
  2. 行为序列建模 – 融入用户点击/交互历史的模型（如 DIN、DIEN、BST）。

快速上手

# 安装最新版本
pip install fuxictr

# 验证环境（需 Python ≥3.10）
python -c "import fuxictr, torch, tensorflow as tf; print(fuxictr.__version__)

• 安装后，克隆仓库以获取示例配置和数据脚本：

git clone https://github.com/reczoo/FuxiCTR.git
cd FuxiCTR

• 通过单条命令运行基准测试（例如 DeepFM 模型）：

python run_experiment.py --config configs/DeepFM.yaml

配置文件可指定数据集、特征处理、模型超参数及调优试验次数。

适合谁使用

• 希望在不重写每篇论文实现的前提下，将新 CTR 思路与全面基线进行对比的 研究人员。
• 需要可在 PyTorch 与 TensorFlow 间切换的生产就绪、可配置 CTR 引擎的 从业者（广告技术或推荐平台）。
• 寻找具体代码库以学习现代推荐模型构建与评估方式的 学生。

许可与社区

• 采用 Apache‑2.0 许可证（遵循 README 中的徽章）。
• 项目显示活跃兴趣（下载量、星标数徽章），并为每个模型提供原始论文链接，便于追溯研究源头。

---

以上所有信息均直接取自仓库的 README，未添加任何外部假设。