@njit 进行负采样，效率提升近40倍

慢吞吞的老方法：

推荐算法中常常会用到BPR损失，在进行负采样时，常用方法为：

def UniformSample_original_python(dataset):
    """
    the original impliment of BPR Sampling in LightGCN
    :return:
        np.array
    """
    total_start = time()
    user_num = dataset.trainDataSize
    users = np.random.randint(0, dataset.n_users, user_num) # low,high,size
    allPos = dataset.allPos # 这里用到了之前采样到的 所有用户的正评分
    S = []


    for i, user in enumerate(users):
        posForUser = allPos[user] # 正样本
        if len(posForUser) == 0:
            continue
        posindex = np.random.randint(0, len(posForUser)) # 随机选择正样本
        positem = posForUser[posindex]
        while True:
            negitem = np.random.randint(0, dataset.m_items) # 随机选择负样本
            if negitem in posForUser:
                continue
            else:
                break
        S.append([user, positem, negitem])

    print(time() - total_start)
    return np.array(S)

上面是LightGCN源代码中给出的负采样代码，也是我之前用到的方法，即按照user一个一个采集正样本和负样本。
数据集比较小时倒还好，当遇到大数据集时，采样时间动不动就两分钟以上，实在是太慢了！

快快的新方法

参考CIRS代码，使用numba库中的@njit对负采样进行加速：

@njit
def find_negative(user_ids, video_ids, mat_small, mat_big, df_negative, max_item):
    for i in range(len(user_ids)):
        user, item = user_ids[i], video_ids[i] # 一条一条地取
        neg = item + 1
        while neg <= max_item:
            if mat_small[user, neg] or mat_big[user, neg]: # True 
                neg += 1
            else: # 找到了负样本，就退出
                df_negative[i, 0] = user
                df_negative[i, 1] = neg
                break
        else: # neg超出范围了，就减一
            neg = item - 1
            while neg >= 0:
              if mat_small[user, neg] or mat_big[user, neg]:
                    neg -= 1
                else:
                    df_negative[i, 0] = user
                    df_negative[i, 1] = neg
                    break

时间从111s一下子降到了3s！