作者 | 上杉翔二 悠闲会 · 信息检索 整理 | NewBeeNLP
在我们之前分享的『对比学习+推荐』的文章中曾经提到,自监督学习被引入推荐系统领域主要有以下优势:
今天分享一篇自监督学习用于推荐系统的综述,更为全面地整理Self-Supervised Recommender(SSR)的各方面。先上link:
其中,第一点确定了SSR的基本范围,第二点确定了SSR区别于推荐系统其他领域的问题设置,而第三点阐述了与推荐主任务与辅助任务的关系。
其包括了多个基准数据集以及评价指标,另外还实现了超10种SSR算法。
简单贴一下示例code
from SELFRec import SELFRec
from util.conf import ModelConf
if __name__ == '__main__':
#Register your model here
graph_models = ['SGL','SimGCL']#,'BUIR','SelfCF','SEPT','MHCN']
sequential_models = []
dnn_models = []
print('='*80)
print(' SELFRec: A library for self-supervised recommendation. ')
print('='*80)
print('Graph-based Models:')
print(' '.join(graph_models))
print('='*80)
model = input('Please enter the model you want to run:')
import time
s = time.time()
if model in graph_models or model in sequential_models or model in dnn_models:
conf = ModelConf('./conf/' + model + '.conf')
else:
print('Wrong model name!')
exit(-1)
rec = SELFRec(conf)
rec.execute()
e = time.time()
print("Running time: %f s" % (e - s))