SESREC SIGIR 2023 Télécharger - SESREC SIGIR 2023 Téléchargement du code source

SESREC SIGIR 2023

Autre code source

1.0.0

Télécharger

Quand la recherche rencontre la recommandation : apprendre la représentation de recherche démêlée pour la recommandation

Il s'agit de l'implémentation officielle de l'article SIGIR 2023 « When Search Meets Recommendation : Learning Disentangled Search Representation for Recommendation » basé sur PyTorch.

[arXiv] [Bibliothèque numérique ACM]

Nouvelles:

[2023.06.29] Récemment, nous avons publié le premier ensemble de données publiques contenant les comportements réels de recherche et de recommandation des utilisateurs pour faciliter la recherche potentielle ! Vous pouvez trouver l'ensemble de données sur https://kuaisar.github.io/.

Aperçu

La principale implémentation de SESRec se trouve dans le fichier models/SESRec.py . L'architecture de SESRec est illustrée dans la figure suivante :

Questions de recherche

Nous avons conclu quelques questions fréquemment posées dans le fichier FAQ.md .

Reproduction

Vérifiez les instructions suivantes pour reproduire les expériences.

Cadre expérimental

Tous les paramètres d'hyper-paramètres de SESRec sur les deux ensembles de données peuvent être trouvés dans les fichiers config/SESRec_commercial.yaml et config/SESRec_amazon.yaml . Les paramètres de deux ensembles de données peuvent être trouvés dans le fichier config/const.py .

Ensemble de données

Étant donné que l'ensemble de données Kuaishou est un ensemble de données industrielles propriétaires, nous publions ici les données prêtes à l'emploi de l'ensemble de données Amazon (Kindle Store). Les données prêtes à l'emploi peuvent être téléchargées à partir du lien.

Démarrage rapide

1. Téléchargez les données

Téléchargez et décompressez les données à partir de ce lien. Placez les fichiers de données dans le dossier data .

2. Satisfaire aux exigences

Nos expériences ont été réalisées avec les packages python suivants :

 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. Former et évaluer notre modèle :

Exécutez les codes en ligne de commande :

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

4. Vérifiez le processus de formation et d’évaluation :

Après la formation, vérifiez les fichiers journaux, par exemple workspace/SESRec/log/default.log .

Environnements

Nous avons mené les expériences sur la base des environnements suivants :

Version CUDA : 11.1
Système d'exploitation : CentOS Linux version 7.4.1708 (noyau)
GPU : Le GPU NVIDIA® T4
Processeur : processeur Intel(R) Xeon(R) Gold 6230R à 2,10 GHz

Citation

Veuillez citer notre article si vous utilisez ce référentiel.

 @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}
}