推薦系統之 BPR 算法及 Librec的BPR算法實現【2】

先前的是：推薦系統之 BPR 算法及 Librec的BPR算法實現【1】

 

LibREC源碼裏的BPR算法的輸入比較是：「（購買+點擊）v.s.沒出現的」，先前有修改過一次是讓輸入比較對爲：「購買v.s. 點擊」。

如今的狀況是：以上兩者結合起來，即比較對是：「（購買+點擊）v.s.沒出現的」+「購買v.s. 點擊」的比較對。

 

就好比，購買了1，點擊了2，而未出現的設爲3和4（隱式 item）。

原先代碼默認的比較對比較方式（正樣本>負樣本）是：1>3；1>4；2>3；2>4.；

 

如今還要加上一個 1>2 的比較對。

 

所以最終的比較對是：1>2 ；1>3；1>4；2>3；2>4.

 

LibREC社區的不二前輩的建議是：

寫代 碼：正樣本只採樣1-2的物品。

而後採樣到1的時候，採樣2-4的物品做爲負樣本。

採樣到2的時候，採樣3-4的物品做爲負樣本。

 

 

目前，BRP訓練完的數據是沒有緩存的。（——能夠等下個版本。我記得@王宇峯 在實現模型的序列化和反序列化。1.3就儘快遷移到2.0吧。或者亦能夠本身實現一下，用Json或者Kyro保存。參考一下相關文章。 ）

 

 

【個人最終作法】

正樣本 i 是已經肯定能夠採樣出來。即爲購買+點擊的item

負樣本 j 來源於兩部分，一個是點擊無購買item，一部分是隱式item（隨機）。由於兩個集合沒辦法放一塊兒，故採用隨機數的方法，若是隨機數等於1，採樣後者，若是隨機數等於0，採樣前者。