模型名称 Efficient Non-Sampling Factorization Machines for Optimal Context-Aware Recommendation

1. 简介

本论文提出从全部数据中学习 FM 来进行 Top-N 推荐，并设计了一个高效的非采样分解机框架（Efficient Non-Sampling Factorization Machines, ENSFM）。通过严格的数学推导，ENSFM 不仅在两类常用的推荐方法——分解机（FM）和矩阵分解（MF）之间建造了一个桥梁，并且可以高效的从整体数据中学习 FM 参数。

2. 复现精度

Movielens	HR@5	HR@10	HR@20@5
论文	0.0601	0.1024	0.1690
复现	0.0599	0.1002	0.1689
官方代码	0.0594	0.1012	0.1687

3. 环境依赖

paddlepaddle-gpu=2.2.0

4. 训练评估

复现代码

unzip data/ml-1m/train.csv.zip -d data/ml-1m/ 
python ENSFM.py

官方代码

链接

日志

• 复现日志
• 官方代码日志

5. TIPC测试

cd PaddleRec
bash test_tipc/prepare.sh ./test_tipc/configs/ensfm/train_infer_python.txt 'lite_train_lite_infer'
bash test_tipc/test_train_inference_python.sh ./test_tipc/configs/ensfm/train_infer_python.txt 'lite_train_lite_infer'