暑期实训log8

2021-07-14 12:01:32 阅读：169 来源： 互联网

标签：log8 weight torch ids 暑期 item 实训 model user

协同过滤推荐算法实现。

接上篇日志，获得了新数据的索引之后，模型的输入基本上就搞定了。
模型是基于MF算法的，原理请移步：https://zhuanlan.zhihu.com/p/69662980
总之就是模型的训练需要用户和item的交互数据，而测试只需要用户和item的id，就能预测用户对每个item的喜好程度并用用score量化。有了每个item的score，系统就可以取score最高的前K个item推荐给用户。
不过实现的推荐算法的精度并不高，在8%左右。~~随机推荐效果也差不多了。~~

代码实现：

import torch
from torch import nn
from torch.nn import functional as F
import numpy as np
from rec.model_FM import FM as rec_model

latent_len = 64
user_num = 33278
item_num = 172946
user = 20 #用户id接口
k = 30

# --model setup----------------------------------------------------------------------------------
class myModel(nn.Module):
    def __init__(self,
                 embedding_size,
                 user_num,
                 item_num,
                 ):
        super(myModel, self).__init__()

        # create rec model
        self.rec_model = rec_model(embedding_size, user_num, item_num)

        # create user and item embeddings
        self.user_embeddings = nn.Embedding(user_num, embedding_size)
        self.item_embeddings = nn.Embedding(item_num, embedding_size)

        # initialize user and item embeddings
        # initilization
        user_weight = torch.FloatTensor(user_num, embedding_size)
        item_weight = torch.FloatTensor(item_num, embedding_size)
        nn.init.xavier_uniform_(user_weight)
        nn.init.xavier_uniform_(item_weight)
        user_weight = F.normalize(user_weight, p=2, dim=1)
        item_weight = F.normalize(item_weight, p=2, dim=1)
        # feed values
        self.user_embeddings.weight.data.copy_(user_weight)
        self.item_embeddings.weight.data.copy_(item_weight)
        # miscs
        self.bias = nn.Parameter(torch.FloatTensor([0.0]))

    def forward(self, u_ids, i_ids):
        # get user/item embeddings
        u_e = self.user_embeddings(u_ids)  # torch.Size([128, 64])
        i_e = self.item_embeddings(i_ids)  # torch.Size([128, 64])

        y = self.rec_model(u_ids, i_ids, u_e, i_e)  # torch.Size([128])

        return y
model = myModel(latent_len,user_num,item_num)
model = nn.DataParallel(model)

#--load model--------------------------------
model_path = 'model_recommendation.pt'
model_dict_pretrained = torch.load(model_path, map_location='cpu')  # 6
cur_model_dict = model.state_dict()  # 6
shared_dict = {k: v for k, v in model_dict_pretrained.items() if k in cur_model_dict}  # 6
cur_model_dict.update(shared_dict)
model.load_state_dict(cur_model_dict)

#--get user_ids,item_ids------------------------------------------------
data = np.load('indexT.npy')
item_ids = torch.from_numpy(data)
user_ids = torch.from_numpy(np.array(user)).unsqueeze(0)
user_ids = user_ids.repeat(len(item_ids)).long()

#--get top K item_ids-----------------------------------------------------------
scores = model(user_ids, item_ids)
scores = scores.detach().cpu().numpy()
rank_list = (scores).argsort()[:k] #start from highest
rec_list = item_ids[rank_list]#得到top K item_ids在原数据的索引
#print(rec_list)
#根据索引还原item_ids
rec_list = rec_list.detach().cpu().numpy()
index = np.load("recipe_index_list_new.npy")
for i in rec_list:
    list = []
    list.append(index[i])
    print (list)

代码是在学长的代码基础上完成的。协同过滤推荐是上学期的课设内容，但是当时我只是把代码跑通，根本没有深入，所以暑期实训依然一头雾水。所以推荐算法是在管理同学和学长的帮助下实现的。

接下来的工作是利用flask实现算法的嵌入。

标签：log8,weight,torch,ids,暑期,item,实训,model,user
来源： https://blog.csdn.net/weixin_43979794/article/details/118724085

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

暑期实训log8

协同过滤推荐算法实现。