Recall指标对齐

[zhujiem]

您好，我看到ENMF与LightGCN 和NBPO等方法，但我发现ENMF代码中recall指标的计算与其他几种方法没有对齐。我想确定您给定的ENMF结果是使用下面第一种还是第二种的结果？

第一种：ENMF中使用的是len(hit_items) / min(topk, len(ground_truth))

第二种使用的是 len(hit_items) / len(ground_truth)，如下 NBPO: https://github.com/Wenhui-Yu/NBPO/blob/master/Library.py#L14 LightGCN: https://github.com/kuandeng/LightGCN/blob/master/evaluator/python/evaluate_foldout.py#L20

[zhujiem]

另外，我想问下，您提到dropout是一个重要超参。但是我发现只有user_emb加了dropout，而item_emb没加，这种design是试出来的吗，还是有什么hints，谢谢！

[chenchongthu]

您好，感谢提问！第一个问题，我们在这些实验里用的是与LightGCN 和NBPO等相同的方法，即第二个版本len(hit_items) / len(ground_truth)，服务器上的代码是调整过的，如下： reca = tmp / true_bin.sum(axis=1) prec = tmp / kj F1 = 2.0 * prec * reca/ (prec + reca) 而github上的代码没有及时更新，现已更新。

第二个问题，关于dropout，user_emb加了dropout跟在item_emb加是一样的。 dropout的本质是将向量的部分置0来增加训练鲁棒性。如将向量[1,2,3]变为[1,0,3]。 假设用户向量为[1,2,3]，商品向量为[4,5,6]，ENMF预测时先对用户和商品向量做对应位点乘，预测向量即为[4,10,18]。 只在用户向量加dropout，用户[1,2,3]变为[1,0,3]，商品向量不变，预测向量变为[4,0,18]和 只在商品向量加dropout，商品[4,5,6]变为[4,0,6]，用户向量不变，预测向量变为[4,0,18]得到的结果是一样的。