تنزيل SESREC SIGIR 2023 - تنزيل كود المصدر SESREC SIGIR 2023

SESREC SIGIR 2023

شفرة المصدر الأخرى

1.0.0

تنزيل

عندما يلتقي البحث بالتوصية: تعلم تمثيل البحث المنفصل للتوصية

هذا هو التنفيذ الرسمي لورقة SIGIR 2023 "عندما يفي البحث بالتوصية: تعلم تمثيل البحث المنفصل للتوصية" استنادًا إلى PyTorch.

[arXiv] [مكتبة ACM الرقمية]

أخبار:

[2023.06.29] أصدرنا مؤخرًا أول مجموعة بيانات عامة تحتوي على سلوكيات البحث والتوصية الحقيقية للمستخدمين لتسهيل البحث المحتمل! يمكنك العثور على مجموعة البيانات من https://kuaisar.github.io/.

ملخص

يمكن العثور على التطبيق الرئيسي لـ SESRec في الملف models/SESRec.py . تظهر بنية SESRec في الشكل التالي:

أسئلة البحث

لقد انتهينا من بعض الأسئلة الشائعة في الملف FAQ.md .

التكاثر

تحقق من الإرشادات التالية لإعادة إنتاج التجارب.

الإعداد التجريبي

يمكن العثور على جميع إعدادات المعلمات الفائقة لـ SESRec في مجموعتي البيانات في الملفات config/SESRec_commercial.yaml و config/SESRec_amazon.yaml . يمكن العثور على إعدادات مجموعتي البيانات في الملف config/const.py .

مجموعة البيانات

نظرًا لأن مجموعة بيانات Kuaishou هي مجموعة بيانات صناعية مملوكة لنا، فإننا نصدر هنا البيانات الجاهزة للاستخدام الخاصة بمجموعة بيانات Amazon (Kindle Store). يمكن تنزيل البيانات الجاهزة للاستخدام من الرابط.

بداية سريعة

1. تنزيل البيانات

قم بتحميل وفك ضغط البيانات من هذا الرابط. ضع ملفات البيانات في مجلد data .

2. استيفاء المتطلبات

تم إجراء تجاربنا باستخدام حزم بايثون التالية:

 python==3.8.13
torch==1.9.0
numpy==1.23.2
pandas==1.4.4
scikit-learn==1.1.2
tqdm==4.64.0
PyYAML==6.0

3. تدريب وتقييم نموذجنا:

تشغيل الرموز في سطر الأوامر:

python3 main.py --name SESRec --workspace ./workspace/SESRec --gpu_id 0  --epochs 30 --model SESRec  --batch_size 256 --dataset_name amazon

4. التحقق من عملية التدريب والتقييم:

بعد التدريب، تحقق من ملفات السجل، على سبيل المثال، workspace/SESRec/log/default.log .

البيئات

أجرينا التجارب على أساس البيئات التالية:

إصدار كودا: 11.1
نظام التشغيل: إصدار CentOS Linux 7.4.1708 (الأساسي)
وحدة معالجة الرسومات: وحدة معالجة الرسومات NVIDIA® T4
وحدة المعالجة المركزية: وحدة المعالجة المركزية Intel(R) Xeon(R) Gold 6230R بسرعة 2.10 جيجاهرتز

الاقتباس

يرجى ذكر ورقتنا إذا كنت تستخدم هذا المستودع.

 @inproceedings{si2023SESRec,
author = {Si, Zihua and Sun, Zhongxiang and Zhang, Xiao and Xu, Jun and Zang, Xiaoxue and Song, Yang and Gai, Kun and Wen, Ji-Rong},
title = {When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation},
year = {2023},
isbn = {9781450394086},
publisher = {Association for Computing Machinery},
address = {New York, NY, USA},
url = {https://doi.org/10.1145/3539618.3591786},
doi = {10.1145/3539618.3591786},
booktitle = {Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval},
pages = {1313–1323},
numpages = {11},
keywords = {search, contrastive learning, disentanglement learning, recommendation},
location = {Taipei, Taiwan},
series = {SIGIR '23}
}