SESREC SIGIR 2023ダウンロード - SESREC SIGIR 2023ソースコードのダウンロード

SESREC SIGIR 2023

その他のソースコード

1.0.0

ダウンロード

検索とレコメンデーションが一致するとき: レコメンデーションのための解きほぐされた検索表現の学習

これは、PyTorch に基づく SIGIR 2023 論文「When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation」の正式な実装です。

[arXiv] [ACM デジタルライブラリ]

ニュース：

[2023.06.29] 最近、潜在的な調査を促進するために、ユーザーの実際の検索と推奨行動を含む初の公開データセットをリリースしました。データセットは https://kuaisar.github.io/ から見つけることができます。

概要

SESRec の主な実装は、ファイルmodels/SESRec.pyにあります。 SESRec のアーキテクチャを次の図に示します。

研究の質問

よくある質問のいくつかをFAQ.mdファイルにまとめました。

再生

実験を再現するには、次の手順を確認してください。

実験環境

両方のデータセットの SESRec のすべてのハイパーパラメータ設定は、ファイルconfig/SESRec_commercial.yamlおよびconfig/SESRec_amazon.yamlにあります。 2 つのデータセットの設定は、ファイルconfig/const.pyにあります。

データセット

Kuaishou データセットは独自の産業データセットであるため、ここでは Amazon (Kindle ストア) データセットのすぐに使用できるデータを公開します。すぐに使用できるデータはリンクからダウンロードできます。

クイックスタート

1. データをダウンロードする

このリンクからデータをダウンロードして解凍します。データファイルをdataフォルダーに配置します。

2. 要件を満たす

実験は次の Python パッケージを使用して行われました。

 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. モデルをトレーニングして評価します。

コマンドラインでコードを実行します。

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

4. トレーニングと評価プロセスを確認します。

トレーニング後、ログファイル ( workspace/SESRec/log/default.logなど) を確認します。

環境

実験は以下の環境で実施しました。

CUDA バージョン: 11.1
OS: CentOS Linux リリース 7.4.1708 (コア)
GPU: NVIDIA® T4 GPU
CPU: Intel(R) Xeon(R) Gold 6230R CPU @ 2.10GHz

引用

このリポジトリを使用する場合は、論文を引用してください。

 @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}
}