文件名称：蔡氏电路matlab仿真代码-adversarial_personalized_ranking:对抗学习，矩阵分解，推荐
文件大小：45.11MB
文件格式：ZIP
更新时间：2024-06-15 10:13:24
系统开源
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
【文件预览】：
adversarial_personalized_ranking-master
----AMF.py(22KB)
----Pretrain()
--------yelp()
----train.sh(101B)
----README.md(3KB)
----Data()
--------yelp.test.negative(16.43MB)
--------ml-1m.train.rating(20.01MB)
--------yelp.test.rating(645KB)
--------pinterest-20.test.rating(788KB)
--------ml-1m.test.rating(125KB)
--------pinterest-20.train.rating(20.16MB)
--------pinterest-20.test.negative(26.14MB)
--------yelp.train.rating(17.27MB)
--------ml-1m.test.negative(2.76MB)
----figure()
--------figure.jpg(131KB)
----demo.sh(122B)
----Dataset.py(4KB)