SESREC SIGIR 2023 herunterladen - SESREC SIGIR 2023 Quellcode herunterladen

SESREC SIGIR 2023

Anderer Quellcode

1.0.0

Herunterladen

Wenn Suche auf Empfehlung trifft: Lernen der entwirrten Suchdarstellung für Empfehlung

Dies ist die offizielle Umsetzung des SIGIR 2023-Papiers „When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation“ basierend auf PyTorch.

[arXiv] [ACM Digital Library]

Nachricht:

[29.06.2023] Vor Kurzem haben wir den ersten öffentlichen Datensatz veröffentlicht, der das tatsächliche Such- und Empfehlungsverhalten der Benutzer enthält, um die potenzielle Recherche zu erleichtern! Sie finden den Datensatz unter https://kuaisar.github.io/.

Überblick

Die Hauptimplementierung von SESRec finden Sie in der Datei models/SESRec.py . Die Architektur von SESRec ist in der folgenden Abbildung dargestellt:

Forschungsfragen

Wir haben einige häufig gestellte Fragen in der Datei FAQ.md zusammengefasst.

Reproduktion

Beachten Sie die folgenden Anweisungen zur Reproduktion von Experimenten.

Experimentelles Setting

Alle Hyperparametereinstellungen von SESRec für beide Datensätze finden Sie in den Dateien config/SESRec_commercial.yaml und config/SESRec_amazon.yaml . Die Einstellungen zweier Datensätze finden Sie in der Datei config/const.py .

Datensatz

Da es sich bei dem Kuaishou-Datensatz um einen proprietären Industriedatensatz handelt, veröffentlichen wir hier die gebrauchsfertigen Daten des Amazon-Datensatzes (Kindle Store). Die gebrauchsfertigen Daten können über den Link heruntergeladen werden.

Schnellstart

1. Daten herunterladen

Laden Sie die Daten über diesen Link herunter und entpacken Sie sie. Legen Sie die Datendateien im Ordner data ab.

2. Erfüllen Sie die Anforderungen

Unsere Experimente wurden mit den folgenden Python-Paketen durchgeführt:

 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. Trainieren und bewerten Sie unser Modell:

Führen Sie Codes in der Befehlszeile aus:

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

4. Überprüfen Sie den Schulungs- und Bewertungsprozess:

Überprüfen Sie nach dem Training die Protokolldateien, z. B. workspace/SESRec/log/default.log .

Umgebungen

Wir haben die Experimente basierend auf den folgenden Umgebungen durchgeführt:

CUDA-Version: 11.1
Betriebssystem: CentOS Linux Version 7.4.1708 (Core)
GPU: Die NVIDIA® T4 GPU
CPU: Intel(R) Xeon(R) Gold 6230R CPU bei 2,10 GHz

Zitat

Bitte zitieren Sie unseren Artikel, wenn Sie dieses Repository nutzen.

 @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}
}