EHCF
EHCF copied to clipboard
chenchongthu
EHCF_Sin 在ML1M上的结果
Hi, 作者，您好。 感谢您分享代码，我用您的原始代码跑了ML1M的数据集（无改动），Test的结果是这样的：
nan nan 0.0 0.0 0.0006718172657037286 0.00012831548886966677
不知道 您那边自己跑过没？看原代码核心就是对 Positive rating的User-Item Matrix进行拟合，虽然不进行negative sampling，但是这样理论上效果不会好于MF之类的。 算法的核心在公式（8）：
self.loss1 = self.weight1 * tf.reduce_sum( tf.reduce_sum(tf.reduce_sum(tf.einsum('ab,ac->abc', self.iidW, self.iidW), 0) * tf.reduce_sum(tf.einsum('ab,ac->abc', self.uid, self.uid), 0) * tf.matmul(self.H_i, self.H_i, transpose_b=True), 0), 0)
不知道我理解的对吗？ 请教如何能跑出您论文中的结果，谢谢啦！
我不太清楚你是怎么把loss跑成nan的，或许你可以试试https://github.com/chenchongthu/ENMF 的代码，EHCF_Sin和ENMF是一致的。
关于代码核心，我们不仅是做Positive rating的User-Item Matrix拟合，而是在全样本数据上做非采样学习，可以看一下论文里的推导。
嗯，谢谢回复！
如果可以，您那边方便跑一下EHCF_Sin的代码吗？（现在的版本真跑不出来论文中的结果 :( ） 我会看看ENMF的。谢谢啦~
我不太清楚你是怎么把loss跑成nan的
这边的不是loss为nan，而是代码最后的：
print(np.mean(recall50), np.mean(ndcg50)) print(np.mean(recall100), np.mean(ndcg100)) print(np.mean(recall200), np.mean(ndcg200))
希望您那边能检查一下代码！
论文核心推导结论是公式（8），虽然从推导开始是 全样本，但是因为中间作了一些假设，所以才可以简化成公式（8）的样子，而单纯看公式（8）的话，其实是U-I matrix的拟合。
我不太清楚你是怎么把loss跑成nan的，或许你可以试试https://github.com/chenchongthu/ENMF 的代码，EHCF_Sin和ENMF是一致的。
关于代码核心，我们不仅是做Positive rating的User-Item Matrix拟合，而是在全样本数据上做非采样学习，可以看一下论文里的推导。
我看了ENMF的代码，跟EHCF逻辑和实现上一样，没有看出来有这两个类有什么明显的区别？还请赐教~？ ENMF的我正在跑~
我不太清楚你是怎么把loss跑成nan的，或许你可以试试https://github.com/chenchongthu/ENMF 的代码，EHCF_Sin和ENMF是一致的。
关于代码核心，我们不仅是做Positive rating的User-Item Matrix拟合，而是在全样本数据上做非采样学习，可以看一下论文里的推导。
ENMF我这边是可以跑出来，但是结果跟report的差比较多。
我不太清楚你是怎么把loss跑成nan的，或许你可以试试https://github.com/chenchongthu/ENMF 的代码，EHCF_Sin和ENMF是一致的。 关于代码核心，我们不仅是做Positive rating的User-Item Matrix拟合，而是在全样本数据上做非采样学习，可以看一下论文里的推导。
ENMF我这边是可以跑出来，但是结果跟report的差比较多。
因为你用的数据不一样 https://github.com/chenchongthu/ENMF/issues/9
我不太清楚你是怎么把loss跑成nan的，或许你可以试试https://github.com/chenchongthu/ENMF 的代码，EHCF_Sin和ENMF是一致的。 关于代码核心，我们不仅是做Positive rating的User-Item Matrix拟合，而是在全样本数据上做非采样学习，可以看一下论文里的推导。
ENMF我这边是可以跑出来，但是结果跟report的差比较多。
因为你用的数据不一样 chenchongthu/ENMF#9
好的，谢谢啦! diff了一下，ENMF和EHCF类的代码完全一样。