Datawhale开源
开源 贡献 ： Torch-RecHub 项目团队
10 行代码跑通工业级推荐系统，一键 ONNX 部署，还支持 HSTU、HLLM、TIGER 等生成式推荐模型。
一、 开源初心
2022 年，我们在 Datawhale 社区启动了Torch-RecHub 项目。
起因很简单：推荐系统是工业界应用最广泛的 AI 方向之一，但学习和实践的门槛却不低。想跑通一个 DeepFM，要从零搭数据管道；想对比 DSSM 和 YoutubeDNN，得分别找两份风格迥异的复现代码；想把模型部署上线，又是另一套工具链。
论文读了，代码找不到；代码找到了，依赖装不上；依赖装上了，数据格式对不上。这是大多数算法工程师和研究者的日常。
我们想做的事情很朴素——把深度推荐系统的主流模型用 PyTorch 统一实现一遍，统一接口、统一流程、开箱即用，让大家把精力花在理解模型和业务上，而不是工程对齐上。
开源地址：https://github.com/datawhalechina/torch-rechub
二、项目简介
Torch-RecHub是一个基于 PyTorch 的推荐系统框架，核心理念是10 行代码跑通工业级推荐系统。
三年过去了，Torch-RecHub 从最初的几个模型，成长为覆盖召回、精排、多任务、生成式推荐四大场景的 30+ 模型框架。而随着这两年生成式推荐的兴起，我们也及时跟进复现了 HSTU、HLLM、TIGER 等前沿模型，让框架始终跟上行业的脉搏。
1. 整体架构
2. 模型一览
精排模型（13 个）：DeepFM、Wide&Deep、DCN/DCN-v2、DIN、DIEN、BST、AFM、AutoInt、FiBiNET、DeepFFM、EDCN 等
召回模型（10 个）：DSSM、YoutubeDNN/SBC、MIND、SINE、GRU4Rec、SASRec、NARM、STAMP、ComiRec 等
多任务模型（5 个）：ESMM、MMoE、PLE、AITM、SharedBottom
生成式推荐（3 个）：
每个模型都有完整的训练脚本和示例数据，clone 下来就能跑。
3.其他优势
很多框架也号称支持几十个模型，但Torch-RecHub 三年持续迭代，在模型之外积累了一整套工程能力：
🔧 训练侧：统一 Trainer 接口 + Early Stopping + 多 GPU 支持 + WandB/SwanLab 实验追踪
📦 部署侧：一键 ONNX 导出 + 双塔分离部署 + INT8/FP16 量化
📊 数据侧：内置主流数据集处理 + PySpark 大数据管道 + Parquet 流式加载
📐 可视化：模型计算图导出 + 架构图生成
三、项目受众
Torch-RecHub 面向所有和推荐系统打交道的人：
四、学习指南
我们为不同阶段的学习者准备了清晰的路径：
第一步：快速上手
安装框架，跑通第一个模型：
第二步：Notebook 教程（入门）
包含11个Jupyter Notebook，手把手带你走一遍核心流程。
第三步：Example 脚本（进阶）
20+个example 脚本，覆盖真实数据集上的完整实验。
第四步：生成式推荐（前沿）
体验推荐系统的最新范式：
五、感谢所有贡献者
Torch-RecHub 是 Datawhale 开源社区的项目，从 2022 年至今已有众多贡献者参与：
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)