文件名称：SAER:说明作为对建议的辩护（WSDM '21）
文件大小：54KB
文件格式：ZIP
更新时间：2024-05-28 09:37:55
recommender-system natural-language-generation explainable-recommendation Python
情绪一致的可解释建议 此存储库包含在我们的WSDM 2021论文提出的情感对齐可解释建议（SAER）模型的PyTorch实现。 有关该算法的详细信息，请参阅该论文。 相依性 所有依赖关系都包含在文件environment.yml 。 如果使用conda ，则可以使用以下命令完成安装： conda env create --name saer_env --file=environments.yml 用法 预处理 请参考数据预处理并按照以下步骤准备数据。 设定档 检查文件夹/config下的/config 。 创建新的或更新现有的模型配置。 火车 训练由给定配置文件指定的模型，并可以选择从现有检查点恢复 python train.py -m=saer --checkpoint=10 解码 指定文本解码策略，以使用经过训练的检查点模型为测试数据生成推荐说明，并将输出保存到文件中以供以后评估 p
【文件预览】：
SAER-master
----eval.py(4KB)
----config()
--------__init__.py(254B)
--------config.py(1KB)
----main.py(5KB)
----environment.yml(84B)
----data()
--------ratebeer_output()
--------gen_voc.py(1KB)
--------filter_user_item_lists.py(2KB)
--------utils.py(1KB)
--------extract_features.py(2KB)
--------extact_exp_data.py(6KB)
--------stats.py(2KB)
--------get_word_embedding.py(2KB)
--------config.py(1KB)
--------split_data.py(1KB)
--------extract_item_features.py(2KB)
--------README.md(618B)
--------prep_ndcg_data.py(1KB)
--------yelp_output()
----train.py(3KB)
----eval_decode.py(5KB)
----src()
--------models()
--------loss.py(3KB)
--------search_decoder.py(17KB)
--------features.py(207B)
--------evaluate.py(12KB)
--------trainer.py(23KB)
--------utils()
--------voc.py(1KB)
--------data.py(8KB)
----decode.py(6KB)
----.gitignore(183B)
----README.md(2KB)
----.flake8(617B)