SESREC SIGIR 2023 Скачать - SESREC SIGIR 2023 Скачать исходный код

SESREC SIGIR 2023

Другой исходный код

1.0.0

Скачать

Когда поиск соответствует рекомендациям: изучение распутанного представления поиска для рекомендаций

Это официальная реализация документа SIGIR 2023 «Когда поиск соответствует рекомендациям: изучение распутанного представления поиска для рекомендаций» на основе PyTorch.

[arXiv] [Цифровая библиотека ACM]

Новости:

[2023.06.29] Недавно мы выпустили первый общедоступный набор данных, содержащий реальное поведение пользователей при поиске и рекомендациях, чтобы облегчить потенциальные исследования! Вы можете найти набор данных на https://kuaisar.github.io/.

Обзор

Основную реализацию SESRec можно найти в файле models/SESRec.py . Архитектура SESRec показана на следующем рисунке:

Вопросы исследования

Мы собрали некоторые часто задаваемые вопросы в файле FAQ.md

Воспроизведение

Ознакомьтесь со следующими инструкциями по воспроизведению экспериментов.

Экспериментальная установка

Все настройки гиперпараметров SESRec для обоих наборов данных можно найти в файлах config/SESRec_commercial.yaml и config/SESRec_amazon.yaml . Настройки двух наборов данных можно найти в файле config/const.py .

Набор данных

Поскольку набор данных Kuaishou является запатентованным промышленным набором данных, здесь мы публикуем готовые к использованию данные набора данных Amazon (Kindle Store). Готовые данные можно скачать по ссылке.

Быстрый старт

1. Загрузите данные

Загрузите и разархивируйте данные по этой ссылке. Поместите файлы данных в папку data .

2. Удовлетворить требованиям

Наши эксперименты проводились со следующими пакетами 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. Обучите и оцените нашу модель:

Запускайте коды в командной строке:

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

4. Проверьте процесс обучения и оценки:

После обучения проверьте файлы журналов, например, workspace/SESRec/log/default.log .

Окружающая среда

Мы провели эксперименты в следующих средах:

Версия CUDA: 11.1
ОС: CentOS Linux версии 7.4.1708 (ядро)
Графический процессор: графический процессор NVIDIA® T4
Процессор: Intel(R) Xeon(R) Gold 6230R @ 2,10 ГГц

Цитирование

Пожалуйста, цитируйте нашу статью, если вы используете этот репозиторий.

 @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}
}