CIRS: 破除过滤气泡的反事实交互推荐系统安装与使用指南

CIRS: 破除过滤气泡的反事实交互推荐系统安装与使用指南

CIRS-codes This is the official implementation for the paper: "CIRS: Bursting Filter Bubbles by Counterfactual Interactive Recommender System" 项目地址: https://gitcode.com/gh_mirrors/ci/CIRS-codes

本指南将引导您了解并使用 CIRS-codes 开源项目，该项目提供了论文《CIRS: 破除过滤气泡的反事实交互推荐系统》的官方 PyTorch 实现。我们将依次解析项目的目录结构、启动文件以及配置文件的关键信息。

1. 目录结构及介绍

项目的基本结构组织如下：

CIRS-codes/
├── DeepCTR-Torch       # 深度点击率预测库的核心代码
├── environments        # 包含两个推荐评估环境：VirtualTaobao与KuaishouEnv
│   ├── VirtualTaobao   # 基于淘宝数据模拟的环境
│   └── KuaishouEnv     # 专为快手视频推荐设计的环境
├── figs                # 图表与可视化相关文件
├── reproduce_results_of_our_paper # 论文结果复现实验脚本
│   ├── tianshoutianshou # 可能涉及的强化学习框架部分
│   └── util            # 辅助工具函数
├── .gitattributes      # Git属性设置
├── .gitignore          # Git忽略文件设置
├── CIRS-RL-kuaishou.py # 快手环境下的强化学习推荐模型执行文件
├── CIRS-RL-taobao.py    # 虚拟淘宝环境下强化学习推荐模型执行文件
├── CIRS-UserModel-kuaishou.py # 快手用户行为建模文件
├── CIRS-UserModel-taobao.py # 淘宝用户行为建模文件
├── DICE.py             # 可能为推荐算法的一部分或相关实验代码
├── DeepFM-IPS-pairwise.py # 针对深度因子分解机的处理脚本
├── LICENSE             # 开源许可证文件
├── MLP-epsilonGreedy-taobao.py # 带ε贪心策略的多层感知机模型（淘宝）
├── MLP-taobao.py       # 多层感知机模型在淘宝数据上的应用
├── PD-pairwise.py      # 对比学习或成对处理相关代码
├── README.md           # 项目的主要说明文档
├── evaluation.py       # 结果评估脚本
├── install.sh          # 安装脚本
└── 其他必要的数据下载及处理脚本

2. 项目的启动文件介绍

2.1 用户模型训练

• CIRS-UserModel-taobao.py: 使用历史日志训练淘宝平台的用户模型。
• CIRS-UserModel-kuaishou.py: 针对快手平台，同样基于历史反馈训练用户模型。

2.2 强化学习策略规划

• CIRS-RL-taobao.py: 在虚拟淘宝环境中，利用之前训练好的用户模型来规划强化学习策略。
• CIRS-RL-kuaishou.py: 类似地，在快手环境实施强化学习策略规划。

3. 项目的配置文件介绍

虽然在提供的资料中没有直接提到特定的配置文件路径或名称，但通常这类项目会依赖环境变量设定或者直接在Python脚本中指定参数。用户可以通过编辑脚本中的参数（如--cuda 0, --epoch 100, --message "my-CIRS"等）来进行个性化配置。例如，训练时的设备选择、训练轮数以及日志标记等。对于更复杂的配置项，如数据路径、模型参数等，可能直接内置于各执行脚本或环境变量中。

为了进行具体配置管理，建议查看每个Python脚本的参数定义段落，并根据需要修改这些参数。此外，根据实际需求创建自定义的配置文件（如.yml或.json格式），并在执行脚本前读取这些配置文件也是一种常见做法，尽管在当前项目仓库中未明确指出此类实践。

注意：由于项目没有单独列出配置文件，具体配置更改主要通过修改脚本参数或在环境变量中设置完成。在实践应用中，依据个人项目扩展或特定需求，可以考虑制定详细的配置文件标准。

---

此指南基于提供的仓库概述了基本结构和关键操作点，但在深入实践项目之前，详细阅读项目的README.md文件和相关研究论文是必不可少的，以确保正确理解和应用该推荐系统。

CIRS-codes This is the official implementation for the paper: "CIRS: Bursting Filter Bubbles by Counterfactual Interactive Recommender System" 项目地址: https://gitcode.com/gh_mirrors/ci/CIRS-codes