/Recommender-System-with-TF2.0

Recurrence the recommender paper with Tensorflow2.0

Primary LanguagePythonMIT LicenseMIT

Recommender System with TF2.0---v0.0.3

开源项目Recommender System with TF2.0主要是对经典的推荐算法论文进行复现,包括Matching(召回)(MF、BPR、SASRec等)、Ranking(排序)(DeepFM、DCN等)。

建立原因:

  1. 理论和实践似乎有很大的间隔,学术界与工业界的差距更是如此;
  2. 更好的理解论文的核心内容,增强自己的工程能力;
  3. 很多论文给出的开源代码都是TF1.x,因此想要用更简单的TF2.x进行复现;

项目特点:

  • 使用Tensorflow2.x进行复现;
  • 每个模型都是相互独立的,不存在依赖关系;
  • 模型基本按照论文进行构建,实验尽量使用论文给出的的公共数据集;
  • 模型都附有README.md,对于模型的训练使用有详细的介绍;
  • 代码源文件参数、函数命名规范,并且带有标准的注释;

 

重要更新

  • 【2021.05.19】Wide&Deep模型,之前Wide部分采用连续型数据,更改为采用稀疏离散型数据作为输入;
  • 【2021.05.18】更新内容较多,分为以下:
    • 创建data_process文件,将CTR模型中的utils.py移动到该文件夹下,并改名为criteo.py,以后所有模型训练时统一调用该文件夹下处理后的数据;
    • Criteo数据处理方式改变,对于密集型数据(I1-I13)采用离散化分桶,与离散型数据合并;
    • 逐步修正每个模型采用离散型输入;
    • DeepFM模型之前构建模型有误,Wide部分与Deep部分应该共享Embedding;
    • FM、DeepFM模型构建一阶特征时取消占内存的tf.ont_hot,改用tf.nn.embedding_lookup,通过映射方式实现;
    • 逐步为CTR模型增加使用全量Criteo数据集的结果;
  • 【2020.12.20】在Top-K模型中,评估方式为正负样本1:100的模型(MF-BPR、SASRec等),之前评估代码效率太低,因此进行了调整(目前评估时间大幅度缩短),同时也更新了utils.py文件;
  • 【2020.11.18】在Top-K模型中,不再考虑dense_inputssparse_inputs,并且user_inputsseq_inputs不考虑多个类别,只将id特征作为输入(降低了模型的可扩展性,但是提高了模型的可读性);
  • 【2020.11.18】BPR、SASRec模型进行了更新,加入了实验结果;

 

复现论文列表

1. 召回模型(Top-K推荐)

Paper|Model Published Author
Matrix Factorization Techniques for Recommender Systems|MF IEEE Computer Society,2009 Koren|Yahoo Research
BPR: Bayesian Personalized Ranking from Implicit Feedback|MF-BPR UAI, 2009 Steffen Rendle
Neural network-based Collaborative Filtering|NCF WWW, 2017 Xiangnan He
Self-Attentive Sequential Recommendation|SASRec ICDM, 2018 UCSD
STAMP: Short-Term Attention/Memory Priority Model for Session-based Recommendation| STAMP KDD, 2018 Qiao Liu
Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding|Caser WSDM, 2018 Jiaxi Tang
Next Item Recommendation with Self-Attentive Metric Learning|AttRec AAAAI, 2019 Shuai Zhang

 

2. 排序模型(CTR预估)

Paper|Model Published Author
Factorization Machines|FM ICDM, 2010 Steffen Rendle
Field-aware Factorization Machines for CTR Prediction|FFM RecSys, 2016 Criteo Research
Wide & Deep Learning for Recommender Systems|WDL DLRS, 2016 Google Inc.
Deep Crossing: Web-Scale Modeling without Manually Crafted Combinatorial Features|Deep Crossing KDD, 2016 Microsoft Research
Product-based Neural Networks for User Response Prediction|PNN ICDM, 2016 Shanghai Jiao Tong University
Deep & Cross Network for Ad Click Predictions|DCN ADKDD, 2017 Stanford University|Google Inc.
Neural Factorization Machines for Sparse Predictive Analytics|NFM SIGIR, 2017 Xiangnan He
Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks|AFM IJCAI, 2017 Zhejiang University|National University of Singapore
DeepFM: A Factorization-Machine based Neural Network for CTR Prediction|DeepFM IJCAI, 2017 Harbin Institute of Technology|Noah’s Ark Research Lab, Huawei
xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems|xDeepFM KDD, 2018 University of Science and Technology of China
Deep Interest Network for Click-Through Rate Prediction|DIN KDD, 2018 Alibaba Group

 

数据集

一些公开数据集链接失效,总是有同学找我要,但是由于数据集过大,无法上传。因此我提供以下链接方便下载:

  1. Criteo:vufh;
  2. Amazon_Electronic:96f2;
  3. Diginetica:p2hn;
  4. ml-1m:5uyu;

 

致谢

项目中难免会存在一些代码Bug,感谢以下朋友指出问题:

  1. wangzhe258369:指出在DIN模型中tf.keras.layers.BatchNormalization默认行为是training=False,此时不会去更新BN中的moving_mean和moving_variance变量。但是重新修改了DIN模型代码内容时,再仔细查找了资料,发现

    如果使用模型调用fit()的话,是可以不给的(官方推荐是不给),因为在fit()的时候,模型会自己根据相应的阶段(是train阶段还是inference阶段)决定training值,这是由learning——phase机制实现的。

  2. boluochuile:发现SASRec模型训练出错,原因是验证集必须使用tuple的方式,已更正;

  3. dominic-z:指出DIN中Attention的mask问题,更改为从seq_inputs中得到mask,因为采用的是0填充(这里与重写之前的代码不同,之前是在每个mini-batch中选择最大的长度作为序列长度,不会存在序列过长被切割的问题,而现在为了方便,采用最普遍padding的方法)

  4. dominic-z:指出DIN训练中seq_inputsshape与model不匹配的问题,已更正,应该是(batch_size, maxlen, behavior_num),model相关内容进行更改,另外对于行为数量,之前的名称seq_len有歧义,改为behavior_num添加了重写之前的代码,在DIN/old目录下

  5. zhangfangkaiR7788380:指出在使用movielens的utils.py文件中,trans_score并不能指定正负样本,应将

    data_df.loc[data_df.label < trans_score, 'label'] = 0
    data_df.loc[data_df.label >= trans_score, 'label'] = 1

    更改为:

    data_df = data_df[data_df.label >= trans_score]

 

联系方式

1、对于项目有任何建议或问题,可以在Issue留言,或者发邮件至zggzy1996@163.com

2、作者有一个自己的公众号:推荐算法的小齿轮,如果喜欢里面的内容,不妨点个关注。