[🐛BUG] 序列推荐采样负样本作candidate测试时，负样本的不一致问题

[2020lwh567]

Describe the bug
在序列模型（如SASRec，GRU4Rec）中，当按照leave-one-out划分训练和测试集，并在测试时随机采样100个负样本，与唯一的正样本一起排序（即eval_args = {'split': {'LS': 'valid_and_test'}, 'order': 'TO', 'group_by': 'user', 'mode': {'valid': 'uni100', 'test': 'uni100'}}）时，根据下面的代码执行顺序：collate_fn -> dataloader -> sample，可知对于同一个正样本，在不同epoch时会采样不同的负样本。

这样可能导致不同模型、相同数据集的结果对比时，每个模型见到的测试集难度可能不同，导致实验结果的偏差。有的模型可能本身效果差，但是采样到了简单的负样本，最终结果偏高；此外，同一个模型、同个数据集的训练过程中，每次evaluate时的验证集难度也不同，最终效果好的可能是由于采样到了简单负样本，而不是模型本身效果好。

一个可能的改进是，在数据预处理时直接保存每个positive example采样的100个负样本，从而保持测试集的一致性？

To Reproduce
执行任意一个序列模型（如Bert4Rec SASRec GRU4Rec）的代码，传入eval_args = {'split': {'LS': 'valid_and_test'}, 'order': 'TO', 'group_by': 'user', 'mode': {'valid': 'uni100', 'test': 'uni100'}}即可。

Desktop (please complete the following information):

• OS: [Linux]
• RecBole Version [1.2.0]
• Python Version [3.8.19]
• PyTorch Version [2.1.1]

非常感谢作者维护这个项目！期待您的回复，不胜感激~

[TayTroye]

@2020lwh567
你好，在保持seed值相同的情况下，使用不同模型所采样的负样本是相同的。