10.6K ·GitHub
这是什么？
这是 Twitter（现 X）推荐算法的部分源代码，具体来说是用于为“For You”时间线中的内容排序并生成嵌入向量（embedding）的机器学习模型。
这是 Twitter（现 X）推荐算法的部分源代码，具体来说是用于为“For You”时间线中的内容排序并生成嵌入向量（embedding）的机器学习模型。这是完整的应用，还是只有机器学习模型的代码？只有机器学习模型的代码，不是可以直接运行的应用或服务。它包含两个独立的项目（Heavy Ranker 和 TwHIN embeddings），各自都有自己的 README 和运行说明。
只有机器学习模型的代码，不是可以直接运行的应用或服务。它包含两个独立的项目（Heavy Ranker 和 TwHIN embeddings），各自都有自己的 README 和运行说明。我该怎么让它运行起来？先创建一个 Python 虚拟环境，然后运行初始化脚本 ./images/initvenv.sh；再按照每个项目文件夹里的 README，了解如何运行对应的模型。
先创建一个 Python 虚拟环境，然后运行初始化脚本 ./images/initvenv.sh；再按照每个项目文件夹里的 README，了解如何运行对应的模型。运行这个需要特定的操作系统或硬件吗？它只在 Linux 上测试过。由于依赖 torchrec，最好使用 Nvidia GPU 来运行。
它只在 Linux 上测试过。由于依赖 torchrec，最好使用 Nvidia GPU 来运行。没有 GPU，或者在 Windows/macOS 上，能跑得好吗？官方并不支持。初始化脚本只能在 Linux 上运行，而且 torchrec 依赖让 Nvidia GPU 成为强烈推荐的选择，因此非 Linux 或没有 GPU 的环境不在官方支持的范围内。
官方并不支持。初始化脚本只能在 Linux 上运行，而且 torchrec 依赖让 Nvidia GPU 成为强烈推荐的选择，因此非 Linux 或没有 GPU 的环境不在官方支持的范围内。这对谁有用？适合想研究或复现 Twitter 推荐信息流背后实际排序和嵌入模型的研究人员和机器学习工程师。
适合想研究或复现 Twitter 推荐信息流背后实际排序和嵌入模型的研究人员和机器学习工程师。我一定需要 Nvidia GPU 吗？是的，有 Nvidia GPU 效果最好，因为这些模型用到了 torchrec 库。
是的，有 Nvidia GPU 效果最好，因为这些模型用到了 torchrec 库。什么是“Heavy Ranker”？它是用于为“For You”时间线中的内容排序的模型，位于 projects/home/recap 文件夹中。
它是用于为“For You”时间线中的内容排序的模型，位于 projects/home/recap 文件夹中。TwHIN embeddings 是做什么用的？TwHIN（Twitter Heterogeneous Information Network，Twitter 异构信息网络）embeddings 是用户、推文等实体的向量表示，位于 projects/twhin 文件夹中，作为推荐模型的输入。
TwHIN（Twitter Heterogeneous Information Network，Twitter 异构信息网络）embeddings 是用户、推文等实体的向量表示，位于 projects/twhin 文件夹中，作为推荐模型的输入。这是整个 Twitter 推荐系统吗？不是。这个仓库只开源了 Twitter 使用的部分机器学习模型，并不包含完整的端到端推荐流程。
不是。这个仓库只开源了 Twitter 使用的部分机器学习模型，并不包含完整的端到端推荐流程。What are similar projects?the-algorithm, recommenders, spaCy, DALLE2-pytorch, nanoGPT, ludwig, train-llm-from-scratch, CLM
the-algorithm, recommenders, spaCy, DALLE2-pytorch, nanoGPT, ludwig, train-llm-from-scratch, CLMWhich topics is it in?recommendation-system, ml, embeddings, neural-network, transformer, data-science, agpl, nvidia, pytorch, deep-learning, research, gpu
recommendation-system, ml, embeddings, neural-network, transformer, data-science, agpl, nvidia, pytorch, deep-learning, research, gpu