ดาวน์โหลด SESREC SIGIR 2023 - ดาวน์โหลดซอร์สโค้ด SESREC SIGIR 2023

SESREC SIGIR 2023

ซอร์สโค้ดอื่น ๆ

1.0.0

ดาวน์โหลด

เมื่อการค้นหาตรงตามข้อเสนอแนะ: การเรียนรู้การเป็นตัวแทนการค้นหาที่ไม่พันกันสำหรับคำแนะนำ

นี่คือการดำเนินการอย่างเป็นทางการของรายงาน SIGIR 2023 "เมื่อการค้นหาตรงตามคำแนะนำ: การเรียนรู้การนำเสนอการค้นหาที่ไม่พันกันสำหรับคำแนะนำ" โดยอิงจาก PyTorch

[arXiv] [ห้องสมุดดิจิทัล ACM]

ข่าว:

[2023.06.29] เมื่อเร็วๆ นี้ เราได้เปิดตัวชุดข้อมูลสาธารณะชุดแรกที่มีพฤติกรรมการค้นหาและการแนะนำที่แท้จริงของผู้ใช้ เพื่ออำนวยความสะดวกในการวิจัยที่มีศักยภาพ! คุณสามารถค้นหาชุดข้อมูลได้จาก https://kuaisar.github.io/

ภาพรวม

การใช้งานหลักของ SESRec สามารถพบได้ในไฟล์ models/SESRec.py สถาปัตยกรรมของ SESRec แสดงในรูปต่อไปนี้:

คำถามวิจัย

เราได้สรุปคำถามที่พบบ่อยบางส่วนไว้ในไฟล์ FAQ.md

การสืบพันธุ์

ตรวจสอบคำแนะนำต่อไปนี้สำหรับการจำลองการทดลอง

การตั้งค่าการทดลอง

การตั้งค่าไฮเปอร์พารามิเตอร์ทั้งหมดของ SESRec บนชุดข้อมูลทั้งสองชุดสามารถพบได้ในไฟล์ config/SESRec_commercial.yaml และ config/SESRec_amazon.yaml การตั้งค่าของชุดข้อมูลสองชุดสามารถพบได้ในไฟล์ config/const.py

ชุดข้อมูล

เนื่องจากชุดข้อมูล Kuaishou เป็นชุดข้อมูลอุตสาหกรรมที่เป็นกรรมสิทธิ์ เราจึงเผยแพร่ชุดข้อมูล Amazon (Kindle Store) ที่พร้อมใช้งานที่นี่ ข้อมูลพร้อมใช้สามารถดาวน์โหลดได้จากลิงค์

เริ่มต้นอย่างรวดเร็ว

1. ดาวน์โหลดข้อมูล

ดาวน์โหลดและแตกไฟล์ข้อมูลจากลิงค์นี้ วางไฟล์ข้อมูลไว้ในโฟลเดอร์ data

2. ตอบสนองความต้องการ

การทดลองของเราเสร็จสิ้นด้วยแพ็คเกจ Python ต่อไปนี้:

 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. ฝึกอบรมและประเมินโมเดลของเรา:

เรียกใช้รหัสในบรรทัดคำสั่ง:

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

4. ตรวจสอบกระบวนการฝึกอบรมและประเมินผล:

หลังการฝึก ให้ตรวจสอบไฟล์บันทึก เช่น workspace/SESRec/log/default.log

สภาพแวดล้อม

เราทำการทดลองตามสภาพแวดล้อมต่อไปนี้:

CUDA เวอร์ชัน: 11.1.1
ระบบปฏิบัติการ: CentOS Linux รีลีส 7.4.1708 (คอร์)
จีพียู: NVIDIA® T4 GPU
ซีพียู: Intel(R) Xeon(R) Gold 6230R CPU @ 2.10GHz

การอ้างอิง

โปรดอ้างอิงบทความของเราหากคุณใช้พื้นที่เก็บข้อมูลนี้

 @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}
}