LightGCN模型复现

基于图模型的第一篇论文复现，比起tensorflow,还是觉得pytorch框架更容易看懂。

论文思路：数据集构建用户-项目交互图，基于GCN思想，聚合邻居节点的信息，增强用户和项目的嵌入表示，以得到更为准确的评分预测。其中论文证明GCN中的非线性激活和数据转换不仅增加模型复杂度，还影响模型性能。数据不考虑用户和项目的属性信息，只有节点ID，评分数据反映边信息，不涉及额外信息，不需要额外的特征变换和非线性激活，基于简单的协同过滤思想。（现在很多论文都是基于图模型+协同过滤思想，优化推荐任务）

具体模型结构：

【1】数据集：gowalla,amazon-book,yelp2018,数据集一般都处理成train,test,user_list,item_list

图模型数据思路，构建节点，边数据，邻接矩阵构建，生成图结构

【2】参数：parse.py,模型的所有参数都在此封装，其中数据集列表默认是gowalla数据集，模型包含MF和Lgcn,默认是LightGcn

【3】world.py参数调用

【4】dataloader:数据集处理，模型采用bpr损失函数，需要抽样负样本。在这部分，作者分别做了两类数据集的处理，加了一个额外数据集lastfm，涉及社交属性的数据集，额外构建用户-用户社交网络，按理说，这个数据集构建的是异构图，作者与gowalla数据集构建图是同一个方法。创新思路可以考虑异构图，社会化推荐。

【5】utils.py:构建BPR损失函数，评价指标precision，recall，ndcg,跑模型发现ÿ