Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
创新：采用卷积神经网络来提取用户的短期偏好
原文笔记：https://mp.weixin.qq.com/s/N_CDMlDDq1YMEqAp4Xw_dg
采用ml-1m数据集进行测试，将其处理为用户序列。数据集的处理见utils文件，主要分为：
- 转换为隐式数据集，定义分数大于某个阈值为正样本，此处默认为
1； - 数据集按照用户、时间排序，方便后续划分样本；
- 正负样本1:1，因此生成对应的负样本，并且产生用户历史行为序列；
- 得到
feature_columns； - 创建得到新的训练集、验证集、测试集；
- 由于序列的长度各不相同，因此需要使用
tf.keras.preprocessing.sequence.pad_sequences方法进行填充/切割； - 最后返回
feature_columns, (train_X, train_y), (val_X, val_y), (test_X, test_y)；
class Caser(Model):
def __init__(self, feature_columns, maxlen=40, hor_n=2, hor_h=8, ver_n=8, dropout=0.5, activation='relu', embed_reg=1e-6):
"""
AttRec
:param feature_columns: A feature columns list. user + seq
:param maxlen: A scalar. In the paper, maxlen is L, the number of latest items.
:param hor_n: A scalar. The number of horizontal filters.
:param hor_h: A scalar. Height of horizontal filters.
:param ver_n: A scalar. The number of vertical filters.
:param dropout: A scalar. The number of dropout.
:param activation: A string. 'relu', 'sigmoid' or 'tanh'.
:param embed_reg: A scalar. The regularizer of embedding.
"""- file：ml-1m文件；
- trans_score：ml-1m分数转换，
1； - maxlen：最大序列长度，
200； - embed_dim：Embedding维度，
50； - hor_n：水平过滤器的个数，
8； - hor_h：水平过滤器的高，
2； - ver_n：垂直过滤器的个数，
4； - dropout：
0.2； - activation：
relu； - embed_reg：
1e-6； - K：评价指标的@K，
10； - learning_rate：学习率，
0.001； - epoch：
30； - batch_size：
512；
采用测试集评估（1正样本，100负样本），结果：hit_rate@k: 0.7704【应该能更高】，与SASRec中的Caser结果相差0.01，终于相差不大；