Aller au contenu principal

Systèmes de recommandation basés sur le Deep learning

Ces notebooks créent des systèmes de recommandation de deep learning sur AI Runtime. Ils montrent comment créer un modèle de recommandation à deux tours en utilisant PyTorch Lightning pour l'entraînement distribué.

Exemple

Interface

Description

Modèle de recommandation à deux tours

Notebook

Découvrez comment créer un modèle de recommandation à deux tours à l'aide de PyTorch Lightning pour l'entraînement distribué.

Recommandation à deux tours avec PyTorch

CLI

Entraîner et évaluer un moteur de recommandation de films à deux tours sur MovieLens 1M sur un GPU A10.

Rechercher des documents techniques avec des embeddings Qwen3

CLI

Créer des embeddings de texte Qwen3 pour des documents techniques sur un GPU A10 et renvoyer des documents sémantiquement similaires pour chaque query.

Modèle de recommandation de deep learning avec TorchRec

CLI

Entraînez un modèle de taux de clic sur les données Criteo sur quatre nœuds A10 avec le partitionnement TorchRec.

Apprentissage du classement avec XGBoost

CLI

Entraînez un modèle XGBoost LambdaMART sur un GPU A10 pour classer les résultats de recherche par pertinence.

Exemple

Interface

Description

Modèle de recommandation à deux tours

Notebook

Découvrez comment créer un modèle de recommandation à deux tours à l'aide de PyTorch Lightning pour l'entraînement distribué.

Recommandation à deux tours avec PyTorch

CLI

Entraîner et évaluer un moteur de recommandation de films à deux tours sur MovieLens 1M sur un GPU A10.

Rechercher des documents techniques avec des embeddings Qwen3

CLI

Créer des embeddings de texte Qwen3 pour des documents techniques sur un GPU A10 et renvoyer des documents sémantiquement similaires pour chaque query.

Modèle de recommandation de deep learning avec TorchRec

CLI

Entraînez un modèle de taux de clic sur les données Criteo sur quatre nœuds A10 avec le partitionnement TorchRec.

Apprentissage du classement avec XGBoost

CLI

Entraînez un modèle XGBoost LambdaMART sur un GPU A10 pour classer les résultats de recherche par pertinence.