【推荐算法】从零开始做推荐（六）——贝叶斯性化排序 (BPRMF) 的Tensorflow版

前言

   之前我们已经介绍了贝叶斯个性化排序（Bayesian Personalized Ranking, BPR），并基于BPR矩阵分解进行推荐实战。同传统矩阵分解一样，BPRMF也有神经网络的版本。此方法在刘建平老师的博客上已有介绍，但其评价指标和数据集划分与本系列不同。因此，本文在其基础上进行修改，方便与本系列方法一同进行比较。

  如果你对本系列(未写完，持续更新中)感兴趣，可接以下传送门：
  【推荐算法】从零开始做推荐（一）——认识推荐、认识数据
  【推荐算法】从零开始做推荐（二）——推荐系统的评价指标，计算原理与实现样例
  【推荐算法】从零开始做推荐（三）——传统矩阵分解的TopK推荐
  【推荐算法】从零开始做推荐（四）——python Keras框架 利用Embedding实现矩阵分解TopK推荐
  【推荐算法】从零开始做推荐（五）——贝叶斯个性化排序矩阵分解 (BPRMF) 推荐实战
  【推荐算法】从零开始做推荐（六）——贝叶斯性化排序矩阵分解 (BPRMF) 的Tensorflow版

核心算法

  以下内容以刘建平老师的博客为基准进行实现。

损失函数

$$\begin{gathered} \arg \underset{\theta }{\max }l(\theta )=\sum _{(u,i,j)\in D}ln\sigma ({\overline{x}}_{ui}-{\overline{x}}_{uj})+\lambda ||\theta |{|}^2, \\ \sigma (x)=\frac{1}{1+e^{-x}} \end{gathered}$$

求解算法

  此处写的是Tensorflow的计算图，与刘老师不一样的地方在于，此处修改了参数(与传统BPRMF的参数设定成一致)，并将损失函数完全按上文提及的定义。最大化损失等于最小化损失的负数，用梯度下降进行训练。

def bpr_mf(user_count,item_count,hidden_dim):
    u = tf.placeholder(tf.int32,[None])
    i = tf.placeholder(tf.int32,[None])
    j = tf.placeholder(tf.int32,[None])

    user_emb_w = tf.get_variable("user_emb_w", [user_count + 1, hidden_dim],
                                 initializer=tf.random_normal_initializer(0, 0.001))
    item_emb_w = tf.get_variable