‌ReChorus‌ 是一个高效、可扩展的轻量级算法>推荐算法框架，基于PyTorch实现。该框架旨在解决推荐系统中算法实现细节、评价方式、数据集处理等方面的差异，帮助缓解可复现性问题。ReChorus实现了多种不同类型的算法>推荐算法，包括常规推荐、序列推荐、引入知识图谱的推荐和引入时间动态性的推荐等，同时提供统一的预处理范式‌。

主要特点和功能
‌综合高效‌：ReChorus框架目前实现了13个不同的算法>推荐算法，涵盖推荐领域的经典模型以及基于深度学习的方法。通过三个核心模块（Reader、Runner、Model）将不同模型共通的数据读取、训练测评等部分整合在一起，提高了模型的训练和测试效率‌。
‌轻量实用‌：ReChorus框架的核心代码在1000行左右，非常易于理解和上手。框架整体基于PyTorch实现，契合深度学习框架使用的整体趋势。此外，框架提供了中间变量检查、重复实验记录、并行参数搜索等实用功能‌
**‌扩展性强‌：**ReChorus框架设计得非常灵活，可以轻松适配个性化的数据格式和评测流程。新版本还支持上下文感知的Top-K推荐和点击率预测任务，以及基于印象的重新排序任务‌
使用场景和用户评价
ReChorus框架非常适合初学者了解推荐领域的经典模型，也适合研究者快速实现自己的想法。通过分离模型间共同的实验设定和不同的模型设计，使得各个模型能够在一个公平的benchmark上进行对比‌。实验表明，引入商品关系和时间动态性的商品表示方法可以显著提升算法>推荐算法的效果‌。

深度学习在推荐系统中应用的经典论文，“基于神经协同过滤（Neural Collaborative Filtering，NCF）的算法”。该论文于2017年在 ACM SIGIR 会议上发表，为深度学习在推荐系统领域的应用奠定了基础。这一方法通过神经网络模型，巧妙地结合了传统协同过滤的思想，有效提升了推荐系统的性能。

使用ReChorus框架进行训练基于神经协同过滤推荐系统:

 python main.py --model_name NeuMF --emb_size 64 --layers '[64]' --lr 5e-4 --l2 1e-7 \--dropout 0.2   --dataset 'Grocery_and_Gourmet_Food'

ReChorus框架支持的其他模型如下，训练命令在每个模型文件py中有体现：