8个扩展子包！RecBole推出2.0！

    在伯乐1.0的基础上，本次更新我们推出RecBole2.0，包括 8 个最新扩展包！覆盖从数据到模型多个推荐系统最新的主题和方向！为推荐系统多个领域的研究提供易用又强大的工具库！

    还不知道RecBole是什么？快点击下方链接了解一下！

    作为一个拥有从数据处理、模型开发、算法训练到科学评测的一站式全流程托管框架，伯乐从第一天正式发布起，截至今天，已经正式发布运营了约19个月。在此期间，社区活跃度稳定持续上升，用户数量不断增长，我们的 github repro 已经获得了1.9k个star和364个fork。在此基础上，我们团队不断对其进行扩展和更新，从数据和模型两个角度进行扩展，针对不同的研究方向，今天RecBole推出八个扩展工具包：

    面向数据，我们关注三个重要的研究课题：数据稀疏性、数据偏差和数据分布偏移，针对这三个数据问题，我们开发了五个基准工具包，分别对应元学习(RecBole-MetaRec)，数据增强(RecBole-DA)，去偏(RecBole-Debias)，公平性(RecBole-FairRec)和跨域推荐(RecBole-CDR)。

    面向模型，我们考虑为基于新兴的模型架构的推荐算法提供更多支持，开发了两个基准工具包，分别为基于Transformer的模型(RecBole-TRM)和基于图神经网络的模型(RecBole-GNN)，除此之外，我们针对人岗匹配开发了一个应用工具包(RecBole-PJF)。

    此次发布我们共开发完成了65个推荐系统模型，并全部提供了相对应的数据、模型和评测等接口，对于伯乐而言是一次极大的扩展。经过此次扩展，伯乐成为了更加全面的推荐系统算法库，共覆盖130+推荐系统模型和11个不同的任务。

• 论文地址：

• https://arxiv.org/pdf/2206.07351

• 项目主页地址：

• https://recbole.io

• 一期github(主站)：

• https://github.com/RUCAIBox/RecBole

• 二期github(本次发布)：

• https://github.com/RUCAIBox/RecBole2.0

1. RecBole-DA — 数据增强

    此工具包针对序列推荐实现和开发了三种类型的数据增强方法，实现了基于数据增强场景下推荐系统，增加增广策略的选择和配置，包括启发式方法、基于模型的方法和混合方法，共包括7个不同的数据增强模型。

2. RecBole-MetaRec — 元学习

    此工具包旨在帮助元学习推荐领域的研究人员比较和开发相关模型，实现了基于元学习推荐系统的数据处理框架、模型训练框架、模型评测框架和元学习相关模块，分别实现了预测、参数化、embedding三种模型，共包括7个元学习推荐系统模型。

3. RecBole-Debias — 去偏

    此工具包旨在复现和开发去偏的推荐系统算法，针对推荐系统中常见的选择偏差、流行度偏差和曝光偏差共实现6个不同的去偏模型供参考。此外，提供2个真实无偏数据集（Yahoo!R3 / KuaiRec）和一个半合成数据集（ ML-100k ）用于模型训练评估，以及新的通用的数据加载模块。

4. RecBole-FairRec — 公平性

    此工具包旨在复现和开发 fairness-aware 的推荐算法，实现4个公平性推荐模型，并实现了针对用户方和物品方多种角度的一系列公平性评测指标，包括基尼指数、普及率等。此外，还具有可自定义公平性评测指标的灵活性和可扩展性。

5. RecBole-CDR — 跨域推荐

    此工具包旨在复现和开发cross-domain推荐系统算法，实现了三类模型，包括协同矩阵分解类、表示共享类以及知识迁移映射类，共实现10个跨域推荐模型。其支持自动或手动方式为源域和目标域数据进行对齐，通过四种训练方式的自由组合支持现有的绝大多数跨域推荐模型。

6. RecBole-GNN — 图神经网络

    此工具包针对基于图神经网络的推荐模型，基于 PyG/DGL 等成熟 GNN 库开发了一系列高效率、可复用、易拓展的数据结构和基础网络，针对图协同过滤、序列化推荐和社会化推荐三种不同的任务，分别开发并实现了共16个图神经网络模型。SR-GNN 等序列化推荐模型单轮训练耗时仅为原实现的 1/10 - 1/3。

7. RecBole-TRM — 基于Transformer的推荐

    此工具包基于现有RecBole框架的通用配置，旨在复现和开发基于Transformer的推荐算法，根据任务的不同分为两类模型：序列推荐和新闻推荐，共实现8个主要算法模型。

8. RecBole-PJF — 人岗匹配

    此工具包旨在开发和复现针对人岗匹配的推荐算法，针对双边推荐设计数据和评测接口，提供多种文本数据加载方式，模型分为三类：基于协同过滤的模型、基于内容的模型以及混合模型，共实现8个人岗匹配算法模型。

    本次发布的各个子包分别独立，但使用接口均与伯乐一期类似，非常易于上手使用，没有使用过的小伙伴可以参考如下链接：

https://blog.csdn.net/Turinger_2000/article/details/111182852

    在一期的基础上，我们对其进行扩展，各个子包的使用示例如下图所示：

    关于伯乐二期更加详细的介绍，可参照我们的github链接（见上文）。

Reference

[1] Zhao W X, Mu S, Hou Y, et al. Recbole: Towards a unified, comprehensive and efficient framework for recommendation algorithms[C]//Proceedings of the 30th ACM International Conference on Information & Knowledge Management. 2021: 4653-4664.

[2] Zhao W X, Hou Y, Pan X, et al. RecBole 2.0: Towards a More Up-to-Date Recommendation Library[J]. arXiv preprint arXiv:2206.07351, 2022.