Eine einheitliche PyTorch-Empfehlungsbibliothek mit 94 Benchmark-Algorithmen.
Ein umfassendes PyTorch-basiertes Framework für Empfehlungsalgorithmen und Benchmarking.
RecBole ist eine Python- und PyTorch-basierte Bibliothek zur Reproduktion und Entwicklung von Empfehlungsalgorithmen. Sie eignet sich für Data Scientists und Forscher, die allgemeine, sequenzielle, kontextsensitive oder wissensbasierte Empfehlungssysteme aufbauen.
Sie umfasst 94 Empfehlungsalgorithmen, die in allgemeine, sequenzielle, kontextsensitive und wissensbasierte Modelle unterteilt sind. Die Bibliothek bietet eine einheitliche Datenstruktur, 44 formatierte Benchmark-Datensätze und eine GPU-beschleunigte Ausführung, die Multi-GPU- und Mixed-Precision-Training unterstützt.
Sie eignet sich für Forscher und Machine-Learning-Ingenieure, die Empfehlungsalgorithmen entwickeln oder benchmarken. Sie ist nicht geeignet für nicht-technische Anwender oder Personen, die eine sofort einsatzbereite Produktions-API ohne Python-Codierung suchen.
Deckt allgemeine, sequenzielle, kontextsensitive und wissensbasierte Empfehlungsalgorithmen ab.
Bietet vorverarbeitete Benchmark-Datensätze, die sofort für das Modelltraining bereit sind.
Optimiert für GPU-Umgebungen mit Multi-GPU- und Mixed-Precision-Trainingfn-Funktionen.
Enthält integrierte Suchmethoden sowohl seriell als auch parallel für optimale Konfigurationen.
Kostenlos unter der MIT-Lizenz, wobei die einzigen Kosten durch den Eigenbetrieb auf Ihrer Hardware entstehen.
877 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
RecBole erfordert Python in Version 3.7 oder höher und PyTorch in Version 1.7.0 oder höher.
Die Bibliothek stellt formatierte Kopien von 44 Benchmark-Empfehlungsdatensätzen bereit.
Zekai zuerst in Google sehen