SESREC SIGIR 2023 다운로드 - SESREC SIGIR 2023 소스 코드 다운로드

SESREC SIGIR 2023

기타 소스코드

1.0.0

다운로드

검색이 추천을 충족할 때: 추천을 위한 분리된 검색 표현 학습

이는 PyTorch를 기반으로 한 SIGIR 2023 논문 "검색이 권장 사항을 충족할 때: 권장 사항을 위한 분리된 검색 표현 학습"의 공식 구현입니다.

[arXiv] [ACM 디지털 라이브러리]

소식:

[2023.06.29] 최근 잠재적인 연구를 촉진하기 위해 사용자의 실제 검색 및 추천 행동이 포함된 최초의 공개 데이터 세트를 출시했습니다! https://kuaisar.github.io/에서 데이터 세트를 찾을 수 있습니다.

개요

SESRec의 주요 구현은 models/SESRec.py 파일에서 찾을 수 있습니다. SESRec의 아키텍처는 다음 그림에 나와 있습니다.

연구 질문

자주 묻는 질문 몇 가지를 FAQ.md 파일에 정리했습니다.

생식

실험을 재현하려면 다음 지침을 확인하세요.

실험 설정

두 데이터 세트 모두에 대한 SESRec의 모든 하이퍼 매개변수 설정은 config/SESRec_commercial.yaml 및 config/SESRec_amazon.yaml 파일에서 찾을 수 있습니다. 두 데이터 세트의 설정은 config/const.py 파일에서 찾을 수 있습니다.

데이터세트

Kuaishou 데이터세트는 독점 산업 데이터세트이므로 여기서는 바로 사용할 수 있는 Amazon(Kindle Store) 데이터세트의 데이터를 공개합니다. 바로 사용할 수 있는 데이터는 링크에서 다운로드할 수 있습니다.

빠른 시작

1. 데이터 다운로드

이 링크에서 데이터를 다운로드하고 압축을 해제하세요. data 폴더에 데이터 파일을 넣습니다.

2. 요구사항 충족

우리의 실험은 다음 Python 패키지를 사용하여 수행되었습니다.

 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. 모델을 훈련하고 평가합니다.

명령줄에서 코드를 실행합니다.

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

4. 교육 및 평가 프로세스를 확인하세요.

학습 후 로그 파일(예: workspace/SESRec/log/default.log 을 확인하세요.

환경

우리는 다음과 같은 환경을 기반으로 실험을 진행했습니다.

CUDA 버전: 11.1
OS: CentOS Linux 릴리스 7.4.1708(코어)
GPU: NVIDIA® T4 GPU
CPU: 인텔(R) 제온(R) 골드 6230R CPU @ 2.10GHz

소환

이 저장소를 사용하는 경우 우리 논문을 인용해 주세요.

 @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}
}