蔡氏电路matlab仿真代码对抗性个性化推荐排名
APR通过执行对抗训练来增强成对排名方法BPR。
为了说明其工作原理,此处通过在用户和项的嵌入向量上添加对抗性扰动来实现MF上的APR。
这是我们对该文件的正式实现:
何湘南,何占魁,杜小雨和蔡达生。
2018.推荐的对抗性个性化排名,在SIGIR'18的会议记录中。
(通讯作者:)
如果您使用这些代码,请引用我们的论文。
谢谢!
环境
Python
2.7
TensorFlow>
=
r1.0
脾气暴躁>
=
1.12
PS。
供您参考,我们的服务器环境为2.20
GHz和64
GiB内存的Intel
Xeon
CPU
E5-2630。
我们建议您的可用内存大于16
GiB,以重现我们的实验。
快速开始
演示:APR的效果
该命令通过在第40个数据集yelp
(--adv_epoch)中为预训练的MF模型(--restore)添加对抗性扰动来显示APR的效果。
加载预训练模型后,前40个时期为正常MF-BPR,然后进行对抗训练APR。
python
AMF.py
--dataset
yelp
--adv_epoch
40
--epoc
2023-01-29 10:20:36
45.11MB
系统开源
1