wangzhen38/paddle-nrpa

基于Paddle实现《NRPA: Neural Recommendation with Personalized Attention》

模型简介

该模型包含三个部分：User-Net、Item-Net和评分预测模块，User-Net和Item-Net具有的组成，分别用来学习user和item的嵌入，评分预测模块根据user embedding和item embedding预测user对item 的评分。

环境

• python==3.8
• nltk==3.6.7
• paddlepaddle-gpu==2.2.1
• bs4
• pickle
• contractions
• numpy

数据准备

原始数据Amazon：Electronics 从官网下载，已下载并上传云盘，百度云盘在此处下载，谷歌云盘点击此处下载，放置在data文件夹下。 然后运行以下命令进行数据预处理

python data_preprocess.py

处理过程有点慢，可能需要几十分钟。 可以跳过数据预处理步骤，直接下载使用已经预处理好的数据，百度网盘点击此处下载，谷歌云点击此处下载，解压后也放在data文件夹下

/data
|--Electronics_5.json # 原始未处理数据，可以不用，直接使用下面两个已处理好的数据
|--data.pkl # 已经处理好的数据, 可以直接使用 
|--vocab.pkl #生成的字典

训练及测试

训练时，运行main.py

python main.py

部分训练日志如下所示：

step: 1440 train mse_loss: 0.94309, time: 12.4570 s
step: 1480 train mse_loss: 0.93621, time: 12.6679 s
step: 1520 train mse_loss: 0.94401, time: 15.5520 s
step: 1560 train mse_loss: 0.96166, time: 13.3231 s
step: 1600 train mse_loss: 0.95926, time: 12.7999 s
Validing and Testing...............
valid mse_loss: 1.02980,  test mse_loss: 1.03738, time: 115.1671 s

可以直接使用已经训练好的模型直接进行测试，可以点击此处下载，解压至model 文件夹下

/model
|--model.pdparams

运行命令

python test.py

测试结果如下所示：

Testing..............
test mse_loss: 1.00945, time: 86.9659 s

复现效果

论文结果： Amazon-Electronics: MSE 1.047 复现结果： 1.037

参考

• https://medium.com/geekculture/data-preprocessing-and-eda-for-natural-language-processing-56e45c1df36d
• https://github.com/TianHongTao/ID-DAML