zyx1017
commented
1 year ago 另外，你能提供不同数据集上的超参数设置吗？我正在Toy数据集上做实验，实验结果比论文中报告的结果低得多：HR@10=0.5397，ndcg@10=0.3663。 超参数设置如下：
def ParseArgs(): parser = argparse.ArgumentParser(description='Model Params') parser.add_argument('--lr', default=1e-3, type=float, help='learning rate') parser.add_argument('--data', default='toys', type=str, help='name of dataset') parser.add_argument('--epoch', default=20, type=int, help='number of training epochs') parser.add_argument('--trn_batch', default=256, type=int, help='batch size training') parser.add_argument('--tst_batch', default=256, type=int, help='batch size for testing') parser.add_argument('--con_batch', default=2048, type=int, help='batch size for reconstruction task') parser.add_argument('--test_frequency', default=1, type=int, help='number of epoch to test while training') parser.add_argument('--max_seq_len', default=50, type=int, help='maximnm number of items in an user sequence') parser.add_argument('--num_reco_neg', default=40, type=int, help='number of negative items for reconstruction task') parser.add_argument('--reg', default=1e-6, type=float, help='weight decay regularizer') parser.add_argument('--ssl_reg', default=1e-2, type=float, help='contrastive regularizer') parser.add_argument('--latdim', default=32, type=int, help='embedding size') parser.add_argument('--mask_depth', default=5, type=int, help='k steps for generating transitional path') parser.add_argument('--path_prob', default=0.5, type=float, help='random walk sample probability') parser.add_argument('--num_attention_heads', default=4, type=int, help='number of heads in attention') parser.add_argument('--num_gcn_layers', default=2, type=int, help='number of gcn layers') parser.add_argument('--num_trm_layers', default=2, type=int, help='number of trm layers') parser.add_argument('--load_model', default=None, help='model name to load') parser.add_argument('--num_mask_cand', default=50, type=int, help='number of seeds in patch masking') parser.add_argument('--mask_steps', default=10, type=int, help='steps to train on the same sampled graph') parser.add_argument('--eps', default=0.2, type=float, help='scaled weight for task-adaptive function') parser.add_argument("--attention_probs_dropout_prob", type=float, default=0.3, help="attention dropout p") parser.add_argument("--hidden_dropout_prob", type=float, default=0.3, help="hidden dropout p") parser.add_argument('--save_path', default='tem', help='file name to save model and training record') return parser.parse_args()
HelloElwin
除了论文中使用的三个数据集，是否有办法处理其他数据集，使其也能在该模型上运行。比如ML-1M、Yelp和其他数据集。是否能提供数据集预处理的源代码呢？ 另外，我对数据集的预处理操作存在些许疑问，除了对数据集进行了5-core操作，还进行了其他什么处理吗？我利用其他开源框架，比如伯乐(DuoRec的实现)，始终无法重现论文中提供的数据集情况。