使用PaddlePaddle复现论文《Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding》

Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding

摘要：

Top-N顺序推荐模型将每个用户作为一个序列 ，目的是预测前n名的排名 用户可能在“不久的将来”进行交互的项目。订单 交互作用意味着顺序模式起着重要作用 在此角色中，序列中较近期的项会产生较大的影响 下一个项目。在本文中，我们提出了一种卷积序列 嵌入推荐模型(Caser)作为解决方案 这个要求。这个想法是嵌入一系列最近的项目 转化成一个“意象”，在时间和潜在空间中循序渐进地学习 使用卷积滤波器将模式作为图像的局部特征。 该方法提供了一个统一和灵活的网络结构 捕获一般首选项和顺序模式。在公共数据集上的实验表明，Caser一贯如此 优于最先进的顺序推荐方法 在各种常见的评估指标上。

###　环境要求:

paddle>=2.0.0;scipy;numpy

项目结构

caser_paddle

|__ datasets

$~~~~$|__ ml1m

$~~~~$|__ gowalla

|__model

$~~~~$|__ caser.py

|__ utils

$~~~~$|__ interactions.py

$~~~~$|__ utils.py

|__ checkpoint

|__run.py

目录结构及配置说明：

1.在datasets中存放训练和测试的数据集，本项目数据集是MovieLens-1m和Gowalla

2.model文件夹下为caser模型结构

3.utils文件夹下包含输入数据处理、模型验证指标等functions

4.checkpoint用于存放训练的模型参数

5.run.py 启动程序，包含定义的训练、预测功能。

说明：run.py 中重要参数如下:

在MovieLens-1m和Gowalla数据集上需设置以下不同的参数

[--mode ] 选择训练或测试模式：默认为train，可设置test进行测试验证

[--train_root ] 训练集的路径

[--test_root] 测试集的路径

[--d] MovieLens-1m 中 d=50;Gowalla 中 d=100

[--nv] MovieLens-1m 中 nv=4;Gowalla 中 nv=2

[--ac_conv] MovieLens-1m 中 ac_conv='relu';Gowalla 中 ac_conv='iden'

[--ac_fc] MovieLens-1m 中 ac_fc='relu';Gowalla 中 ac_fc='sigm'

数据来源：

MovieLens-1m数据集来源于https://github.com/graytowne/caser_pytorch/tree/master/datasets/ml1m

Gowalla数据集来源于https://github.com/graytowne/rank_distill/tree/master/datasets/gowalla

启动程序：

Usage: python run.py --mode train --train_root Path --test_root Path

说明 根据数据集使用不同的超参数设置进行实验,重要参数如上参数说明。

详细训练、测试流程：

MovieLens-1m数据集上训练、测试：

训练 python run.py --mode train --train_root ./datasets/ml1m/test/train.txt --test_root ./datasets/ml1m/test/test.txt --d 50 --nv 4 --ac_conv iden --ac_fc relu

测试 python run.py --mode test --train_root ./datasets/ml1m/test/train.txt --test_root ./datasets/ml1m/test/test.txt --d 50 --nv 4 --ac_conv iden --ac_fc relu

Gowalla数据集上训练、测试：

训练 python run.py --mode train --train_root ./datasets/gowalla/test/train.txt --test_root ./datasets/gowalla/test/test.txt --d 100 --nv 2 --ac_conv iden --ac_fc sigm

测试 python run.py --mode test --train_root ./datasets/gowalla/test/train.txt --test_root ./datasets/gowalla/test/test.txt --d 100 --nv 2 --ac_conv iden --ac_fc sigm

复现结论

论文复现MAP指标要求： 1、MovieLens MAP=0.1507 2、Gowalla MAP=0.0928

本次论文复现精度如下：

1.MovieLens MAP=0.1727

2.Gowalla MAP=0.0947

【说明】训练30个epoch,取训练中最后一次模型做预测

MovieLens-1M上的预测结果

Gowalla上的预测结果

致谢:

1、感谢百度官方提供的平台机会和算力支持！

2、https://github.com/graytowne/caser_pytorch/

3、https://github.com/graytowne/rank_distill/