hjh1213/dib-peb-sequential-rs

A tensorflow implementation of the paper "Dynamic Item Block and Prediction Enhancing Block for Sequential Recommendation" in IJCAI 2019

DIB-PEB-Sequential-RS

A tensorflow implementation of the paper "Dynamic Item Block and Prediction Enhancing Block for Sequential Recommendation" in IJCAI 2019

需求环境：

python3.6，tensorflow

1.paper原文

在Github中直接可以下载，文件名为Dynamic Item Block and Prediction Enhancing Block for Sequential Recommendation.pdf

2.如何获取训练数据集？

自带了ml-100k数据集，存放在dataset/processed_datasets/ml-100k
还可以通过以下方式获得其余三个数据集
百度网盘地址：https://pan.baidu.com/s/1X7G3dVEJ0JN7yppcKLY4pA
下载后解压在dataset/processed_datasets目录下即可

3.如何训练模型

直接执行RUM-Ksoft-mulcha-test.py即可
以下文件：
caser-test.py
fpmc-test.py
gru4rec-test.py
rum-i-test.py
为paper中所选baseline，也可以直接运行

4参数说明

'learnRate': 0.002, 学习速率
'maxIter': 2000, 迭代次数
'trainBatchSize': 512, 训练batch_size
'testBatchSize': 512, 测试batch_size
'numFactor': 128, item和user embedding的size
'cell_numbers': 128, 如果选用GRU为中间网络结构，cell的数量
'topN': 10, test时选TopN进行评测
'gru_model': False, 设置为True则中间网络结构为GRU，设置为False则为memory network
'decrease soft': True, 设置为False，损失函数为softmax + cross entropy，设置为True，则采用其他loss
'loss_type': 'PEB', 在decrease soft为True情况下有效，可选择top1，bpr，neg，PEB
'negative_numbers': 25, 负样本数量
'eval_item_num': 1000, train阶段抽取多少item作为一个评价子集，当数据集为ml-100k时，设置为500左右比较合适
'numK': 15, PEB总共计算了K次概率分布
'save_path': 'saved_model',
'save_model': True,
'load_model': False,

for fileName in ['newkin-seq']: 括号中为训练所用数据集，可设置为'newkin-seq','ml-100k','cd-seq','movies_tv-seq'