Datawhale组队学习课节2: 传统序列召回实践：GRU4Rec打卡

传统序列召回实践：GRU4Rec

论文理解，参考沈向洋论文十问

1. 论文解决了什么问题？
   序列推荐场景下用户长期行为不可知的问题

2. 这是否是一个新的问题？
   不是

3. 这篇文章要验证什么科学假设？
   用户的一个会话中访问的条目是具有相关性的，且随时间而变化

4. 有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？
   前人的研究主要集中在矩阵分解方法和相似度算法，归类为序列推荐问题，Philip S. Yu ,Hongzhi Yin

5. 论文中提到的解决方案之关键是什么？
   使用GRU建模时序信息，并且设计了batch-size方法，来解决序列长度分布不均衡的问题

6. 论文中的实验是如何设计的？
   Recall MRR,非全量，只从热门商品里召回。

7. 用于定量评估的数据集是什么？代码有没有开源？
   RSC15 Video ，https://github.com/hidasib/GRU4Rec

8. 论文中的实验及结果有没有很好地支持需要验证的科学假设？
   有，加入RNN序列建模之后效果有大幅提升

9. 这篇论文到底有什么贡献？
   开创了序列推荐使用神经网络的先河，解决了很多在线系统中长期用户行为记录不可用的情况

10. 下一步呢？有什么工作可以继续深入？
    作者的未来工作是使用多模态信息来增强item的特征。

推荐系统概览

https://blog.csdn.net/weixin_42052231/article/details/120789636

代码工程学习

主要是学习了faiss大规模向量检索
流程如下：

# 第一步：我们获取所有Item的Embedding表征，然后将其插入Faiss(向量数据库)中
item_embs = model.output_items().cpu().detach().numpy()
item_embs = normalize(item_embs, norm='l2')
gpu_index = faiss.IndexFlatIP(hidden_size)
gpu_index.add(item_embs)
# 第二步：根据用户的行为序列生产User的向量表征
user_embs = model(item_seq,mask,None,train=False)['user_emb']
user_embs = user_embs.cpu().detach().numpy()
# 第三步：对User的向量表征在所有Item的向量中进行Top-K检索
D, I = gpu_index.search(user_embs, topN)  # Inner Product近邻搜索，D为distance，I是index

思考与讨论

这个生成的Embedding可视化是否说明了存在长尾分布的问题？