推荐系统_所有评价模块

最新推荐文章于 2023-04-26 09:12:39 发布

Coding~Man

最新推荐文章于 2023-04-26 09:12:39 发布

阅读量346

点赞数

分类专栏：数据结构与算法推荐系统文章标签： python 开发语言

本文链接：https://blog.csdn.net/qq_40341502/article/details/125558643

版权

本文介绍了多个推荐系统模型，包括BPR、GRU4RecF、LightGCN、BERT4Rec、KGAT和RippleNet，展示了它们在ndcg@10、hit@10等关键指标上的表现，用于衡量推荐的准确性。

摘要由CSDN通过智能技术生成

1: BPR推荐______ ‘ndcg@10’: 0.0095, ‘hit@10’: 0.0753
3: GRU4RecF推荐. _ndcg@10 : 0.0417 hit@10 : 0.087
4:LightGCN推荐 ____ndcg@10 : 0.1337 hit@10 : 0.5652
5: BERT4Rec推荐 ___ndcg@10 : 0.0161 hit@10 : 0.0392
6:KGAT推荐 ________ndcg@10 : 0.0398 hit@10 : 0.2439
7:RippleNet推荐 _____ndcg@10 : 0.1109 hit@10 : 0.4867
2: XDeepFM推荐. _ ‘auc’: 0.5953, ‘logloss’: 0.6748

1: BPR推荐
在评价模块输入用户ID为用户推荐出来合适的商品

def full_sort_predict(self, interaction):
     user = interaction[self.USER_ID] #[1, 2]
     user_e = self.get_user_embedding(user)
     all_item_e = self.item_embedding.weight #[1683, 64]
     score = torch.matmul(user_e, all_item_e.transpose(0, 1)) #[2, 1683]
   return score.view(-1)

求出来两个用户对分别对1683个商品的评分。
之后获取用户评分最高的的top10商品。top10的商品为推荐系统为用户推荐的商品，之后我们根据用户id获取evl数据中用户所对应的商品。我们根据这两者商品进行下面推荐指标的计算。

{‘recall@10’: 0.0083, ‘mrr@10’: 0.0214, ‘ndcg@10’: 0.0095, ‘hit@10’: 0.0753, ‘precision@10’: 0.0083}

2: XDeepFM推荐
对于评价模块输入是每个[batch_size, num_field, embed_dim]。因为采用的是0-1lable方式，我们对于每一条记录我们都可以将其传入特征提取模块，计算出来评分，然后根据每一条评分和lable的值，计算auc，以及logloss。

 def forward(self, interaction):
        # Get the output of CIN.
        xdeepfm_input = self.concat_embed_input_fields(interaction)  # [batch_size, num_field, embed_dim]
        cin_output = self.compressed_interaction_network(xdeepfm_input)
        cin_output = self.cin_linear(cin_output)
        # Get the output of MLP layer.
        batch_size = xdeepfm_input.shape[0]
        dnn_output = self.mlp_layers(xdeepfm_input.view(batch_size, -1))
        # Get predicted score.
        y_p = self.first_order_linear(interaction) + cin_output + dnn_output
        y = self.sigmoid(y_p)
        return y.squeeze(1