Descarga SESREC SIGIR 2023 - Descarga del código fuente SESREC SIGIR 2023

SESREC SIGIR 2023

Otro código fuente

1.0.0

Descargar

Cuando la búsqueda cumple con la recomendación: aprender la representación de búsqueda desenredada para la recomendación

Esta es la implementación oficial del documento SIGIR 2023 "Cuando la búsqueda cumple con la recomendación: aprendizaje de la representación de búsqueda desenredada para la recomendación" basado en PyTorch.

[arXiv] [Biblioteca digital ACM]

Noticias:

[2023.06.29] Recientemente, publicamos el primer conjunto de datos públicos que contiene los comportamientos reales de búsqueda y recomendación de los usuarios para facilitar la investigación potencial. Puede encontrar el conjunto de datos en https://kuaisar.github.io/.

Descripción general

La implementación principal de SESRec se puede encontrar en el archivo models/SESRec.py . La arquitectura de SESRec se muestra en la siguiente figura:

Preguntas de investigación

Hemos concluido algunas preguntas frecuentes en el archivo FAQ.md

Reproducción

Consulte las siguientes instrucciones para reproducir experimentos.

Entorno experimental

Todas las configuraciones de hiperparámetros de SESRec en ambos conjuntos de datos se pueden encontrar en los archivos config/SESRec_commercial.yaml y config/SESRec_amazon.yaml . La configuración de dos conjuntos de datos se puede encontrar en el archivo config/const.py .

Conjunto de datos

Dado que el conjunto de datos de Kuaishou es un conjunto de datos industriales patentado, aquí publicamos los datos listos para usar del conjunto de datos de Amazon (Tienda Kindle). Los datos listos para usar se pueden descargar desde el enlace.

Inicio rápido

1. Descargar datos

Descarga y descomprime los datos desde este enlace. Coloque los archivos de datos en la carpeta data .

2. Satisfacer los requisitos

Nuestros experimentos se realizaron con los siguientes paquetes de Python:

 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. Entrenar y evaluar nuestro modelo:

Ejecute códigos en la línea de comando:

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

4. Consultar proceso de formación y evaluación:

Después del entrenamiento, verifique los archivos de registro, por ejemplo, workspace/SESRec/log/default.log .

Ambientes

Realizamos los experimentos basados en los siguientes entornos:

Versión CUDA: 11.1
SO: CentOS Linux versión 7.4.1708 (Núcleo)
GPU: La GPU NVIDIA® T4
CPU: CPU Intel(R) Xeon(R) Gold 6230R a 2,10 GHz

Citación

Cite nuestro artículo si utiliza este repositorio.

 @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}
}