reczoo/FuxiCTR

FuxiCTR – 開源點擊率（CTR）預測程式庫

是什麼

• 一個可在 PyPI 上取得的 Python 套件，整合了大量先進的 CTR 預測模型。適用於線上廣告、推薦系統和贊助搜尋等工業級任務。
• 支援 PyTorch 2.5+ 與 TensorFlow 2.21+，您可自由選擇偏好的深度學習框架。

為何重要

• CTR 預測是許多收益生成服務的核心元件。研究人員需要可重現的基準，工程師需要可快速調校與擴展的即插即用實作。FuxiCTR 同時滿足兩者需求。

核心設計要點

特性	提供的能力
可設定	數據預處理流程與模型架構模組化，可透過簡單的 YAML/JSON 設定檔組合，無需撰寫程式碼。
可調優	內建超參數搜尋功能——只需修改同一設定檔即可啟動自動調優任務。
可重現	所有已發布的基準（「模型動物園」）可透過單一指令重新執行，確保結果與論文一致。
可擴充	新增模型只需實作一個 PyTorch 或 TensorFlow 模組，其餘流程（資料處理、訓練迴圈、評估）可重用。

模型動物園

• 倉庫包含 41+ 個即用型模型，涵蓋從經典線性回歸（LR）、因子分解機（FM）到近期圖結構與注意力機制架構（如 FiGNN、AutoInt、WuKong）。
• 每個模型條目均列出原始會議/期刊、論文連結及支援的框架（torch、tf 或兩者）。
• 模型分為兩個邏輯群組：
  1. 特徵互動模型 – 專注於學習稀疏特徵間高階互動的純 CTR 預測模型。
  2. 行為序列建模 – 融入使用者點擊/互動歷史的模型（如 DIN、DIEN、BST）。

快速上手

# 安裝最新版本
pip install fuxictr

# 驗證環境（需 Python ≥3.10）
python -c "import fuxictr, torch, tensorflow as tf; print(fuxictr.__version__)

• 安裝後，克隆倉庫以取得範例設定與資料腳本：

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

• 透過單一指令執行基準測試（例如 DeepFM 模型）：

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

設定檔可指定資料集、特徵處理、模型超參數及調優試驗次數。

適合誰使用

• 希望在不重寫每篇論文實作的前提下，將新 CTR 想法與全面基線進行對比的 研究人員。
• 需要可在 PyTorch 與 TensorFlow 之間切換的生產就緒、可設定 CTR 引擎的 實務者（廣告技術或推薦平台）。
• 尋找具體程式碼庫以學習現代推薦模型建構與評估方式的 學生。

授權與社群

• 采用 Apache‑2.0 授權（遵循 README 中的徽章）。
• 項目顯示活躍興趣（下載量、星標數徽章），並為每個模型提供原始論文連結，便於追溯研究來源。

---

以上所有資訊均直接取自倉庫的 README，未添加任何外部假設。