推荐模型-序列推荐-2018：SASRec、SASRecF

u013250861

已于 2022-11-28 10:18:18 修改

阅读量223

点赞数

分类专栏： # RS/序列推荐文章标签：推荐系统

于 2022-11-28 10:18:00 首次发布

本文链接：https://blog.csdn.net/u013250861/article/details/128067151

版权

RS/序列推荐专栏收录该内容

25 篇文章 0 订阅

订阅专栏

推荐模型-序列推荐-2018：SASRec

Reference:
	Wang-Cheng Kang et al. "Self-Attentive Sequential Recommendation." in ICDM 2018.

	Reference:
	https://github.com/kang205/SASRec

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

u013250861

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
推荐模型-序列推荐-2018：SASRec、SASRecF

推荐模型-序列推荐-2018：SASRec。
复制链接

扫一扫

专栏目录

通过SASRec算法进行基于Transformer的商品推荐

11-26

1009

通过SASRec算法进行基于Transformer的商品推荐

发现问题，并解决问题，批判性思维

09-25

1446

- SASRec（召回）提出基于自注意力机制的序列推荐，考虑用户序列行为中不同交互的重要程度。 - SASRec和以下算法进行比较： - 不考虑序列的传统推荐：PopRec、BPR； - 基于马尔可夫链的序列推荐：FMC、FPMC、TransRec； - 基于深度学习的序列推荐：GRU4Rec、GRU4Rec+、Caser

参与评论您还未登录，请先登录后发表或查看评论

CRW__DREAM的博客

04-12

4081

《SASRec：基于自注意力机制的序列推荐》transformer最早提出是用在NLP领域做机器翻译的，本文将transformer中的注意力机制用在序列推荐上，**对于给定的物品序列来预测下一个最可能出现的物品是什么**（采用自注意力机制来对用户的历史行为信息建模，提取更为有价值的信息。最后将得到的信息分别与所有的物品embedding内容做内积，根据相关性的大小排序、筛选，得到Top-k个推荐。）。该方法在稀疏和密集数据集上都优于各种先进的序列模型。

探索SASRec: 高效的序列到序列推荐系统框架

最新发布

gitblog_00020的博客

04-14

566

探索SASRec: 高效的序列到序列推荐系统框架项目地址:https://gitcode.com/kang205/SASRec 在数据驱动的时代，个性化推荐系统已经成为提高用户体验和商业价值的重要工具。今天我们要关注的是一个名为SASRec（Sequential Attention-based Self-attentive Recommendation）的开源项目，它是一种基于自注意力机制的序...

SASRec: Self-Attentive Sequential Recommendation阅读笔记

pocket_eight的博客

06-30

1239

Self-Attentive Sequential Recommendation 2018年的经典文章时序动态是许多现代推荐系统的一个关键特征，它们试图根据用户最近执行的操作来捕捉用户活动的“背景”。为了捕捉这种模式，出现了两种方法：马尔可夫链(MC)和递归神经网络(RNN)。马尔科夫链假设用户的下一个动作可以根据他们的最后(或最后几个)动作来预测，而RNN原则上允许发现更长期的语义。一般而言，基于MC的方法在模型简约性至关重要的极稀疏数据集中执行得最好，而RNN在较密集的数据集中执行得更好，因为较高的模型

猜你喜欢：淘宝推荐长序列建模实践.pdf

04-06

预测模型-时间序列分析

03-09

- 随机性模型：自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）、自回归积分滑动平均模型（ARIMA）等，用于处理非平稳时间序列。 - 对于复杂的时间序列，可能需要组合模型或非线性模型。 4. ...

序列召回推荐模型资料说明：掌握经典的推荐系统序列召回算法/模型

07-01

GAN-RNN_Timeseries-imputation:用于估算时间序列数据的递归GAN。在Kaggle的Wikipedia Web流量预测数据集的TensorFlow 2中实现

05-28

一种部分对抗的模型，其中先前模型的两种损失结构都组合在一个模型中：Imputer模型必须减少真实的错误损失，同时尝试欺骗鉴别器。模型在TensorFlow 2中实现，并在数据集中进行了训练。档案文件config.yaml ：用于...

java相册源码-VIST-Challenge-NAACL-2018:VISTChallengeNAACL2018的官方Github存储库

06-05

2018 VIST Challenge 评估脚本这个 Github 存储库包含 . 人工评估界面您可以在以下文件夹中下载界面网页： human_eval_interface/VIST_Demo_webpage.zip VIST 测试集中的 200 个人类故事样本用于展示人类评级是...

Recommender-System-with-TF2.0:使用Tensorflow2.0重复推荐纸

03-11

前言带有TF2.0的开源项目Recommender System with TF2.0主要是对经典的推荐系统论文进行复现，包括匹配（召回）（NCF，SASRec，STAMP等），排名（粗排）（WDL，DCN等）。建立原因：理论和实践似乎有很大的间隔，学术界与工业界的差异更容易；更好的理解论文的核心内容，增强自己的工程能力；很多论文定义的开源代码都是TF1.x，因此想要用更简单的TF2.x进行复现；项目特点：使用Tensorflow2.x进行复现；每个模型都是相互独立的，不存在依赖关系（当然因为这也增加了很多重复工作）；模型基本遵循论文进行重建，实验尝试使用论文转化的的公共数据集；模型都附有README.md ，对于模型的训练使用有详细的介绍；代码源文件参数，函数命名规范，并带有标准的注释；重要更新【2020.12.20】在Top-K模型中，评估方式为正负样本1

ICML2018|基于自注意力的序列推荐模型SASRec(已开源)

hestendelin的专栏

03-16

5416

Self-Attentive Sequential RecommendationWang-Cheng Kang, Julian McAuleyUC Sa...

SASRec笔记

qq_52806062的博客

12-11

548

注意力权重的可视化还显示了我们的模型如何自适应地处理不同密度的数据集，并揭示了活动序列中的有意义的模式。：在每个时间步骤中，SASRec都试图从用户的行为历史中识别出哪些物品是“相关的”，采用自注意力机制来对用户的历史行为信息建模，最后使用它们来预测下一个物品。答：采样分为训练采样和测试采样，此处是测试采样，像LightGCN指的是训练采样，加快训练，对于采样有关知识，可在学习了解一下。答：编程的时候，希望输入的是个矩阵，长度不固定，输入数据就会不规则，不能用向量矩阵操作，从而不能发挥性能优势。

36种序列召回模型综述

weixin_39586997的博客

06-29

1353

目前实现过的序列召回有： 1.MIMN； 2.topic2vec； 3.SR-GNN系列；

BERT4Rec：当NLP王者BERT进军推荐领域

Kaiyuan_sjtu的博客

04-02

2713

作者| 知乎博主@青枫拂岸整理|NewBeeNLPCIKM2019上，阿里发表了《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》[1]，继BST将Transformer之后，又一次将NLP领域中前沿技术迁移到了推荐领域。...

Dive的博客

07-14

2377

目录Caser3 模型3.1 嵌入层3.2 卷积层3.3 全连接层3.4 训练3.6 与一些模型的关系 Caser 2018-WSDM-Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding 卷积序列推荐模型Caser，使用CNN从近期items序列中以局部特征的方式提取序列模式。 3 模型为了捕获用户的整体偏好和序列模式联合级别和单独级别的i2i skip行为连接 3.1 嵌入层 use

Blank_Space

12-04

973

前言文章发表在2020年RecSys会议，提出了一个SSE-PT（随机共享Embedding的个性化Transformer）模型。论文将SASRec作为靶子，在各个方面（个性化、精度、收...

将2018-01-01 08:00:00到2020-12-30 00:00:00，时间连续每小时取1个值，时间序列列名为tm，输出为excel，具体代码

09-16

### 回答1：使用Python pandas库可以实现将时间序列导出为Excel文件。示例代码如下： ``` import pandas as pd # 生成时间序列 start_time = '2018-01-01 08:00:00' end_time = '2020-12-30 00:00:00' time_range = pd.date_range(start=start_time, end=end_time, freq='H') # 创建DataFrame data = {'tm': time_range} df = pd.DataFrame(data) # 导出Excel文件 df.to_excel("time_series.xlsx", index=False) ``` 上面代码首先使用pandas的date_range函数生成时间序列，其中start为开始时间，end为结束时间，freq='H'表示每小时取一个值。然后创建一个DataFrame，将时间序列放在tm列。最后使用to_excel函数导出到Excel文件。 ### 回答2：您好！以下是使用Python实现的代码，将2018-01-01 08:00:00到2020-12-30 00:00:00的时间序列每小时取1个值，并输出到Excel文件： ```python import pandas as pd # 生成时间序列 start_time = pd.to_datetime('2018-01-01 08:00:00') end_time = pd.to_datetime('2020-12-30 00:00:00') time_series = pd.date_range(start=start_time, end=end_time, freq='H') # 创建DataFrame并设置列名 df = pd.DataFrame({'tm': time_series}) # 将DataFrame输出到Excel文件 df.to_excel('output.xlsx', index=False) ``` 以上代码使用pandas库生成了一个包含时间序列的DataFrame，然后使用`to_excel`函数将该DataFrame输出到名为`output.xlsx`的Excel文件中，其中`'tm'`为时间序列的列名。注意，使用该代码需要提前安装好以下库： - pandas：`pip install pandas` 希望对您有所帮助！如有任何疑问，请随时追问。 ### 回答3：要将2018-01-01 08:00:00到2020-12-30 00:00:00的连续时间序列以每小时为间隔取值，并输出到Excel文件中，可以使用Python语言进行操作。下面是具体的代码实现： ```python import pandas as pd # 生成时间序列 start_time = pd.to_datetime('2018-01-01 08:00:00') end_time = pd.to_datetime('2020-12-30 00:00:00') time_interval = pd.date_range(start_time, end_time, freq='H') # 创建DataFrame并设置时间序列列名为'tm' df = pd.DataFrame({'tm': time_interval}) # 将时间序列输出到Excel文件中 df.to_excel('time_series.xlsx', index=False) ``` 这段代码使用pandas库生成了一个时间序列，起始时间为'2018-01-01 08:00:00'，结束时间为'2020-12-30 00:00:00'，每小时取一个值。然后，将时间序列存储在名为'tm'的列中，并将DataFrame输出到名为'time_series.xlsx'的Excel文件中。设置`index=False`可以避免在Excel中输出自动生成的索引列。

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交