SESREC SIGIR 2023

Quando a pesquisa atende à recomendação: aprendendo a representação de pesquisa desembaraçada para recomendação

Esta é a implementação oficial do artigo SIGIR 2023 "Quando a pesquisa atende à recomendação: aprendendo a representação de pesquisa desemaranhada para recomendação" baseado em PyTorch.

[arXiv] [Biblioteca Digital ACM]

Notícias:

• [2023.06.29] Recentemente, lançamos o primeiro conjunto de dados públicos contendo comportamentos reais de pesquisa e recomendação dos usuários para facilitar a pesquisa potencial! Você pode encontrar o conjunto de dados em https://kuaisar.github.io/.

Visão geral

A principal implementação do SESRec pode ser encontrada no arquivo models/SESRec.py . A arquitetura do SESRec é mostrada na figura a seguir:

Perguntas de pesquisa

Concluímos algumas perguntas frequentes no arquivo FAQ.md .

Reprodução

Verifique as instruções a seguir para reproduzir experimentos.

Ambiente Experimental

Todas as configurações de hiperparâmetros do SESRec em ambos os conjuntos de dados podem ser encontradas nos arquivos config/SESRec_commercial.yaml e config/SESRec_amazon.yaml . As configurações de dois conjuntos de dados podem ser encontradas no arquivo config/const.py .

Conjunto de dados

Como o conjunto de dados Kuaishou é um conjunto de dados industrial proprietário, aqui liberamos os dados prontos para uso do conjunto de dados Amazon (Kindle Store). Os dados prontos para uso podem ser baixados do link.

Início rápido

1. Baixe dados

Baixe e descompacte os dados deste link. Coloque os arquivos de dados na pasta data .

2. Satisfaça os requisitos

Nossos experimentos foram feitos com os seguintes pacotes 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. Treine e avalie nosso modelo:

Execute códigos na linha de comando:

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

4. Verifique o processo de treinamento e avaliação:

Após o treinamento, verifique os arquivos de log, por exemplo, workspace/SESRec/log/default.log .

Ambientes

Conduzimos os experimentos com base nos seguintes ambientes:

• Versão CUDA: 11.1
• SO: CentOS Linux versão 7.4.1708 (núcleo)
• GPU: GPU NVIDIA® T4
• CPU: CPU Intel(R) Xeon(R) Gold 6230R a 2,10 GHz

Citação

Por favor, cite nosso artigo se você usar este repositório.

 @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}
}

Contato

Se você tiver alguma dúvida, não hesite em nos contatar através do e-mail [email protected] ou de problemas do GitHub. Obrigado!