SSLRec是一个基于 PyTorch 的深度学习框架，用于通过自我监督学习技术增强的推荐系统。包含常用的数据集、用于数据处理、

SSLRec是一个基于 PyTorch 的深度学习框架，用于通过自我监督学习技术增强的推荐系统。包含常用的数据集、用于数据处理、训练、测试、评估和最先进的研究模型的代码脚本。 SSLRec提供了大量实用函数和易于使用的界面，简化了推荐模型的开发和评估。 突出特点 灵活的模块化架构。SSLRec 库采用模块化架构，可以轻松定制和组合模块。这使用户能够创建适合其特定需求和要求的个性化推荐模型。 多样化的推荐场景。SSLRec 库是一个多功能工具，适合有兴趣在不同推荐系统研究领域构建有效推荐模型的研究人员和从业者。 综合最先进的模型。我们的 SSLRec 框架为各种场景提供了广泛的 SSL 增强推荐模型。研究人员可以使用先进技术评估这些模型，并将其作为推动推荐系统领域创新的基础。 统一数据馈送和标准评估协议。SSLRec框架具有统一的数据馈送器和标准评估协议，可以轻松加载和预处理来自各种来源和格式的数据，同时确保对推荐模型的客观和公平评估。 丰富的实用功能。SSLRec 库提供了大量实用函数，可以简化推荐模型的开发和评估。这些功能结合了推荐系统的常见功能以及图操作、网络架构和损失函数的自监督学习。 易于使用的界面。我们提供了一个用户友好的界面，可以简化推荐模型的训练和评估。这使得研究人员和从业者能够轻松高效地试验各种模型和配置。 | #框架

：产品级的强化学习AI智能体库，旨在帮助研究人员和实践者开发适应各种复杂生产环境的最先进的强化学习AI智能体，Pearl具有模块

：产品级的强化学习AI智能体库，旨在帮助研究人员和实践者开发适应各种复杂生产环境的最先进的强化学习AI智能体，Pearl具有模块化设计，提供了许多独特的功能，如动态动作空间、离线学习、智能神经探索、安全决策等，支持实际应用领域，包括推荐系统、拍卖竞标系统和创意选择。与其他库相比，Pearl具有更高的灵活性和可扩展性

是一个用于 #推荐系统 的#Python #框架 （由 Python 3.7.4 和 Tensorflow 1.14+ 支持），

是一个用于 #推荐系统 的#Python #框架 （由 Python 3.7.4 和 Tensorflow 1.14+ 支持），其中实现了许多有影响力和最新的推荐模型。QRec 具有轻量级架构并提供用户友好的界面。它可以促进模型的实施和评估

是一个用 Python 编写的开源 #框架 ，用于量化（又名监督流行率估计，或学习量化）。

是一个用 Python 编写的开源 #框架 ，用于量化（又名监督流行率估计，或学习量化）。 QuaPy 基于“数据样本”的概念，提供量化工作流最重要方面的实现，例如（基线和高级）量化方法、面向量化的模型选择机制、评估措施和评估协议用于评估量化方法。QuaPy 还提供常用数据集，并提供可视化工具以促进实验结果的分析和解释

| #指南本项目是一个围绕开源大模型、针对国内初学者、基于 AutoDL 平台的中国宝宝专属大模型教程，针对各类开源大模型提供包

| #指南 本项目是一个围绕开源大模型、针对国内初学者、基于 AutoDL 平台的中国宝宝专属大模型教程，针对各类开源大模型提供包括环境配置、本地部署、高效微调等技能在内的全流程指导，简化开源大模型的部署、使用和应用流程，让更多的普通学生、研究者更好地使用开源大模型，帮助开源、自由的大模型更快融入到普通学习者的生活中。 本项目的主要内容包括： 基于 AutoDL 平台（可扩展，例如阿里云）的开源 LLM 环境配置指南，针对不同模型要求提供不同的详细环境配置步骤； 针对国内外主流开源 LLM 的部署使用教程，包括 LLaMA、ChatGLM、InternLM 等； 开源 LLM 的部署应用指导，包括命令行调用、在线 Demo 部署、LangChain 框架集成等； 开源 LLM 的全量微调、高效微调方法，包括分布式全量微调、LoRA、ptuning 等。 本项目适合以下学习者： 想要使用或体验 LLM，但无条件获得或使用相关 API； 希望长期、低成本、大量应用 LLM； 对开源 LLM 感兴趣，想要亲自上手开源 LLM； NLP 在学，希望进一步学习 LLM； 希望结合开源 LLM，打造领域特色的私域 LLM； 以及最广大、最普通的学生群体。

京东开源的用于多活（单元化）场景的流量治理Java字节码增强框架，继传统SDK治理模式与Sidecar治理模式之后，新一代Pro

京东开源的用于多活（单元化）场景的流量治理Java字节码增强框架，继传统SDK治理模式与Sidecar治理模式之后，新一代Proxyless模式的探索实现，为企业Java生态提供高性能，低资源损耗，降本增效的流量治理框架。 主要特性 支持同城多活、异地多活等多种模型的流量控制； 支持基于泳道的全链路灰度； 支持分区本地优先和跨分区容错策略； 采用字节码增强技术，对业务代码无侵入，业务性能影响最小； 采用微内核架构，强类隔离，简单易用的扩展和配置体系。 | #框架