jackyhawk

> the first part is use's feature and the second part is item's feature. 多谢。这个看程序，好像是 每一部分中 "-" 分隔的 第一个field，必须分别是 userid和itemid，是吗

另外，paddlerec的 群 还有效吗？貌似申请了，一直没通过，多谢

> > 另外，paddlerec的 群 还有效吗？貌似申请了，一直没通过，多谢 > > 还有效的，您这边重新加一下微信小助手微信号：wxid_0xksppzk5p7f22，我们帮您快速通过审核 这个微信号好像搜不到，我扫描二维码加了，帮忙通过下，多谢

比如这个的PaddleRec\models\recall\mind 里边 infer.py 从faiss中查出来后，就直接按照索引（编码）去和 validid 去比较了。 特意查了下，在原始数据中，itemid不是连续严格的0~n-1的编码， 这样子是不是就有一些出入？ 多谢 ni = user_embs.shape[1] user_embs = np.reshape(user_embs, [-1, user_embs.shape[-1]]) **D, I = faiss_index.search(user_embs, args.top_n)** for i, iid_list in enumerate(target_items): recall = 0...

多谢，学习下

麻烦个问题； PaddleRec/models/recall/mind 这个里边的infer.py,这里的b就是faiss中要灌入的索引，对吧？ b就是0~item_num-1 对应的embedding，这样说对吗？ 从faiss中查出来的I，是具体item的 索引（序号编码），我查了下，这个demo中的 bookid（itemid）是从1开始的，这样子 和target对应（match）的时候，是否要把 I中查出的结果（序号） 进行+1操作，因为bookid是从1开始的？多谢

for sse, it would be align=4 for sse; and if it works as xlearn, "int align = kAlign * aux_size;" it would skip some part if k is larger than...

any suggestions?

确实 多个 varlen_sparse_feat / sparse_feat 共用同一个 embedding_name,会被初始化多次，不过只有最后一个的vocabulary_size, feat.embedding_dim 有效

any suggestion?