【序列召回推荐】(task3)GNN召回之SR-GNN

note

• 关于图深度学习算法的简单回顾：
  • 一开始是经典的word2vec（以skip-gram为例，先取周围词随机初始化的embedding，进行平均池化后与中心词embedding进行点积）通过周围词预测中心词（多分类任务），不断迭代得到每个词embedding；
  • deepwalk随机游走生成节点序列，然后还是用w2v生成embedding；而Node2vec仅是多了控制游走方向的参数；
  • GCN：基础公式为${\mathbf{H}}^{l+1}=\sigma \left(\mathbf{D}{}^{-\frac{1}{2}}\mathbf{A}{\mathbf{D}}^{-\frac{1}{2}}{\mathbf{H}}^l{\mathbf{w}}^l\right)$，学习$w^l$参数，其中用自连邻接矩阵A撇是为了防止在邻接矩阵中无法区分”自身节点“和”无连接节点“；然后通过消息传递（如sum pooling操作）得到下一层节点embedding。
  • 图采样GraphSAGE：由于图结构数据中，节点与节点之间有依赖关系，所以不能像普通深度学习一样进行循环小批量训练，GraphSAGE通过小批量采样原有大图的子图高效训练；类似的PinSAGE也是铜鼓哦随机游走经过的高频节点生成子图。
• SR-GNN是中科院提出的一种基于会话序列建模的推荐系统，首次将GNN应用于会话推荐。
  • 会话是指用户的交互过（每个会话表示一次用户行为和对应的服务，所以每个用户记录都会构建成一张图），会话序列指一个用户在一段时间内（一般30min内）的点击浏览行为。
  • SR-GNN利用了Attention机制来获取序列中每一个Item对于序列中最后一个Item $v_n\left(s_1\right)$ 的attention score, 然后将其加权求和。
• 一般来说序列召回输入的是用户的行为序列(用户交互过的item id的列表)，需要预测的是用户下一个时刻可能点击的top-k个item。两个步骤：
  • 把用户的行为序列抽取成一个用户的表征向量；
  • 然后和Item的向量通过一些ANN的方法来进行快速的检索，从而筛选出和用户表征向量最相似的top-k个Item。

GRU4rec	SRGNN
序列模型，只考虑上一节点到当前节点的过渡关系	图模型，考虑更复杂的过渡关系，包括若干出点和入点与当前节点的联系
仅考虑用户的当前兴趣	使用Attention机制，考虑用户的当前兴趣和整体兴趣
循环次数由序列长度决定	循环次数是个超参，SRGNN默认为1
有负采样，pairwise loss（BPR、TOP1）	交叉熵损失
minibatch，代码比较复杂	data augmentation，实现比较简单（但序列长度较长时不适用于RNN）

一、论文背景

论文链接：https://arxiv.org/abs/1811.00855

1.1 Session-based推荐

• 基于会话的推荐是以往比较常用的一种推荐方式，包括循环神经网络、马尔科夫链等。两个缺点：
  • 当一个会话中用户的行为数量稀疏时，这种方法较难捕获用户的行为表示。
  • 物品之前的转移模式在会话推荐中是十分重要的特征，但RNN和马尔科夫过程只对相邻的两个物品的单项转移向量进行建模，而忽略了会话中其他的物品。

1.2 论文核心方法

对输入的用户的行为序列提取出用户的向量表征进行了如下的处理：

• 将用户的行为序列构造成 Session Graph
• 通过GNN来对所得的 Session Graph进行特征提取，得到每一个Item的向量表征
• 在经过GNN提取Session Graph之后，我们需要对所有的Item的向量表征进行融合，以此得到User的向量表征，在得到了用户的向量表征之后，我们就可以按照序列召回的思路来进行模型训练/模型验证了。

二、SR-GNN模型

2.1 构建Session Graph

• 比如对一个用户，根据该用户行为序列进行构图，有向图的邻接矩阵如下图左侧的outgoing矩阵，大小为$(d,d)$，根据逆邻接矩阵得到incoming矩阵，两个矩阵concat成$(2d,d)$的大矩阵。
• 需要分别对两个矩阵进行归一化操作 (例如节点 $v_2$ 向外伸出了两个节点 $v_3,v_4$ ，则节点 $v_2$ 到节点 $v_3,v_4$ 的值都为 $0.5)$ 。Incoming矩阵同理。

在搞GNN经常使用networkx对一些边集生成有向图：

import networkx as nx
import matplotlib.pyplot as plt
edges = [(1, 2), (2, 3), (3, 2), (2, 4)]
# 1. 初始化有向图
G = nx.DiGraph()
# 2. 通过边集加载数据
G.add_edges_from(edges)
# 3. 打印所有节点
print(G.nodes)
# 4. 打印所有边
print(G.edges)
# 5. 画图
nx.draw(G)
# 6.显示
plt.show()

2.2 通过GNN学习Item的向量表征

如何从图中学习到Item的向量表征：

• 这里设 $v_i^t$ 表示在第 $\mathrm{x}$ 次GNN迭代后的item i的向量表征；
• $A_{s,i}\in R^{1\times 2n}$ 表示 $A_s$ 矩阵中的 第 $i$ 行, 即代表着第 $i$ 个item的相关邻居信息。

则我们这里通过公式(1)来对其邻居信息进行聚合, 这里主要通过矩阵 $A_{s,i}$ 和用户的序列 ${\left[v_1^{t-1},\dots ,v_n^{t-1}\right]}^T\in R^{n\times d}$ 的矩阵乘法进行聚合的。

• 注意这里的公式写的不太严谨, 实际情况下两个 $R^{1\times 2n}$ 和 $R^{n\times d}$ 的矩阵是无法直接做乘法的，在代码实现中，是将矩阵 A分为in和out两个矩阵分别和用户的行为序列进行乘积的。
  $$a_{s,i}^t=A_{s,i}{\left[v_1^{t-1},\dots ,v_n^{t-1}\right]}^T\mathbf{H}+b\text{\hspace{1em}(1)}$$

'''
A : [batch,n,2n] 图的矩阵
hidden : [batch,n,d] 用户序列的emb
in矩阵：A[:, :, :A.size(1)]
out矩阵：A[:, :, A.size(1):2 * A.size(1)]
inputs : 就是公式1中的 a 
'''
input_in = paddle.matmul(A[:, :, :A.shape[1]], self.linear_edge_in(hidden)) + self.b_iah
input_out = paddle.matmul(A[:, :, A.shape[1]:], self.linear_edge_out(hidden)) + self.b_ioh
# [batch_size, max_session_len, embedding_size * 2]
inputs = paddle.concat([input_in, input_out], 2)

在得到公式(1)中的 $a_{s,i}^t$ 之后, 根据公式(2)(3)计算出两个中间变量 $z_{s,i}^t,r_{s,i}^t$ 可以简单的类比LSTM, 认为 $z_{s,i}^t,r_{s,i}^t$ 分别是遗忘门和更新门。
$$z_{s,i}^t=\sigma \left(W_z{a}_{s,i}^t+U_z{v}_i^{t-1}\right)\in R^d\text{\hspace{1em}(2)}$$
$$r_{s,i}^t=\sigma \left(W_r{a}_{s,i}^t+U_r{v}_i^{t-1}\right)\in R^d\text{\hspace{1em}(3)}$$
注意：我们在计算 $z_{s,i}^t,r_{s,i}^t$ 的逻辑是完全一样的, 唯一的区别就是用了不同的参数权重而已. 在得到公式(2)(3)的中间变量之后,我们通过公式(4)计算出更新门下一步更新的特征, 以及根据公式(5)来得出最终结果
$$\begin{array}{c}{v}_i^{t^{\sim }}=\tanh \left(W_o{a}_{s,i}^t+U_o\left(r_{s,i}^t\odot v_i^{t-1}\right)\right)\in R^d\end{array}\text{\hspace{1em}(4)}$$

$$\begin{array}{c}{v}_i^t=\left(1-z_{s,i}^t\right)\odot v_i^{t-1}+z_{s,i}^t\odot v_i^{t^{\sim }}\in R^d\end{array}\text{\hspace{1em}(5)}$$

• 消息聚合：公式(4)实际上是计算了在第 $\mathrm{x}$ 次 GNN层的时候的Update部分，也就是 $v_i^{t^{\sim }}$ ；在公式(5)中通过遗忘门 $z_{s,i}^t$ 来控制第次GNN更新 时, $v_i^{t-1}$ 和 $v_i^{t^{\sim }}$ 所占的比例。这样就完成了 GNN部分的item的表征学习。
• 注意：对于公式(3)(4)(5)，对于 $a_{s,i}^t,v_i^{t-1}$ 这两个变量而言, 每个变量都和三个矩阵进行了相乘, 这里的计算逻辑相同, 可以将 $Wa,Uv$ 当作一次计算单元，即将这三次操作放在一起做, 然后在将结果切分为 3 份, 还原三个公式, 所以input的维度即如下的[batch_size, max_session_len, embedding_size * 3]。

'''
inputs : 公式(1)中的a
hidden : 用户序列，也就是v^{t-1}
这里的gi就是Wa，gh就是Uv，但是要注意这里不该是gi还是gh都包含了公式3~5的三个部分
'''

# gi.size equals to gh.size, shape of [batch_size, max_session_len, embedding_size * 3]

gi = paddle.matmul(inputs, self.w_ih) + self.b_ih
gh = paddle.matmul(hidden, self.w_hh) + self.b_hh
# (batch_size, max_session_len, embedding_size)
i_r, i_i, i_n = gi.chunk(3, 2)   # 三个W*a
h_r, h_i, h_n = gh.chunk(3, 2)   # 三个U*v
reset_gate = F.sigmoid(i_r + h_r)  #公式(2)
input_gate = F.sigmoid(i_i + h_i)  #公式(3)
new_gate = paddle.tanh(i_n + reset_gate * h_n)  #公式(4)
hy = (1 - input_gate) * hidden + input_gate * new_gate  # 公式(5)

2.3 生成User向量表征

在通过GNN获取了Item的嵌入表征之后，, 剩下的就是讲用户序列的多个Item的嵌入表征融合成一个整体的序列的嵌入表征。

这里SR-GNN首先利用了Attention机制来获取序列中每一个Item对于序列中最后一个Item $v_n\left(s_1\right)$ 的attention score, 然后将其加权求和，其具体的计算过程如下
$$\begin{array}{c}{a}_i={\mathbf{q}}^T\sigma \left(W_1{v}_n+W_2{v}_i+c\right)\in R^1\\ s_g=\sum _{i=1}^n{a}_i{v}_I\in R^d\end{array}$$
在得到 $s_g$ 之后，我们将 $s_g$ 与序列中的最后一个Item信息相结合，得到最终的序列的嵌入表征：
$$s_h=W_3\left[s_1;s_g\right]\in R^d$$

'''
seq_hidden : 序列中每一个item的emb
ht ： 序列中最后一个item的emb，就是公式6~7中的v_n(s_1)
q1 : 公式(6)中的 W_1 v_n
q2 : 公式(6)中的 W_2 v_i 
alpha : 公式(6)中的alpha
a : 公式(6)中的s_g
'''
seq_hidden = paddle.take_along_axis(hidden,alias_inputs,1)
# fetch the last hidden state of last timestamp
item_seq_len = paddle.sum(mask,axis=1)
ht = self.gather_indexes(seq_hidden, item_seq_len - 1)
q1 = self.linear_one(ht).reshape([ht.shape[0], 1, ht.shape[1]])
q2 = self.linear_two(seq_hidden)

alpha = self.linear_three(F.sigmoid(q1 + q2))
a = paddle.sum(alpha * seq_hidden * mask.reshape([mask.shape[0], -1, 1]), 1)
user_emb = self.linear_transform(paddle.concat([a, ht], axis=1))

2.4 损失函数

使用交叉熵损失函数：$$\mathcal{L}(\hat{\mathbf{y}})=-\sum _{i=1}^m{\mathbf{y}}_i\log \left({\hat{\mathbf{y}}}_i\right)+\left(1-{\mathbf{y}}_i\right)\log \left(1-{\hat{\mathbf{y}}}_i\right)$$

三、代码实践

3.1 继承Dataset类的SequenceDataset

这里的hist_mask_list是像transformer一样的mask处理序列长短不一致的问题。

class SeqnenceDataset(Dataset):
    def __init__(self, config, df, phase='train'):
        self.config = config
        self.df = df
        self.max_length = self.config['max_length']
        self.df = self.df.sort_values(by=['user_id', 'timestamp'])
        self.user2item = self.df.groupby('user_id')['item_id'].apply(list).to_dict()
        self.user_list = self.df['user_id'].unique()
        self.phase = phase

    def __len__(self, ):
        return len(self.user2item)

    def __getitem__(self, index):
        if self.phase == 'train':
            user_id = self.user_list[index]
            item_list = self.user2item[user_id]
            hist_item_list = []
            hist_mask_list = []

            k = random.choice(range(4, len(item_list)))  # 从[8,len(item_list))中随机选择一个index
            # k = np.random.randint(2,len(item_list))
            item_id = item_list[k]  # 该index对应的item加入item_id_list

            if k >= self.max_length:  # 选取seq_len个物品
                hist_item_list.append(item_list[k - self.max_length: k])
                hist_mask_list.append([1.0] * self.max_length)
            else:
                hist_item_list.append(item_list[:k] + [0] * (self.max_length - k))
                hist_mask_list.append([1.0] * k + [0.0] * (self.max_length - k))

            return paddle.to_tensor(hist_item_list).squeeze(0), paddle.to_tensor(hist_mask_list).squeeze(
                0), paddle.to_tensor([item_id])
        else:
            user_id = self.user_list[index]
            item_list = self.user2item[user_id]
            hist_item_list = []
            hist_mask_list = []

            k = int(0.8 * len(item_list))
            # k = len(item_list)-1

            if k >= self.max_length:  # 选取seq_len个物品
                hist_item_list.append(item_list[k - self.max_length: k])
                hist_mask_list.append([1.0] * self.max_length)
            else:
                hist_item_list.append(item_list[:k] + [0] * (self.max_length - k))
                hist_mask_list.append([1.0] * k + [0.0] * (self.max_length - k))

            return paddle.to_tensor(hist_item_list).squeeze(0), paddle.to_tensor(hist_mask_list).squeeze(
                0), item_list[k:]

    def get_test_gd(self):
        self.test_gd = {}
        for user in self.user2item:
            item_list = self.user2item[user]
            test_item_index = int(0.8 * len(item_list))
            self.test_gd[user] = item_list[test_item_index:]
        return self.test_gd

3.2 SR-GNN模型定义

class GNN(nn.Layer):
    def __init__(self, embedding_size, step=1):
        super(GNN, self).__init__()
        self.step = step
        self.embedding_size = embedding_size
        self.input_size = embedding_size * 2
        self.gate_size = embedding_size * 3
        
        self.w_ih = self.create_parameter(shape=[self.input_size, self.gate_size]) 
        self.w_hh = self.create_parameter(shape=[self.embedding_size, self.gate_size])
        self.b_ih = self.create_parameter(shape=[self.gate_size])
        self.b_hh = self.create_parameter(shape=[self.gate_size])
        self.b_iah = self.create_parameter(shape=[self.embedding_size])
        self.b_ioh = self.create_parameter(shape=[self.embedding_size])

        self.linear_edge_in = nn.Linear(self.embedding_size, self.embedding_size)
        self.linear_edge_out = nn.Linear(self.embedding_size, self.embedding_size)

    def GNNCell(self, A, hidden):
        input_in = paddle.matmul(A[:, :, :A.shape[1]], self.linear_edge_in(hidden)) + self.b_iah
        input_out = paddle.matmul(A[:, :, A.shape[1]:], self.linear_edge_out(hidden)) + self.b_ioh
        # [batch_size, max_session_len, embedding_size * 2]
        inputs = paddle.concat([input_in, input_out], 2)

        # gi.size equals to gh.size, shape of [batch_size, max_session_len, embedding_size * 3]
        gi = paddle.matmul(inputs, self.w_ih) + self.b_ih
        gh = paddle.matmul(hidden, self.w_hh) + self.b_hh
        # (batch_size, max_session_len, embedding_size)
        i_r, i_i, i_n = gi.chunk(3, 2)
        h_r, h_i, h_n = gh.chunk(3, 2)
        reset_gate = F.sigmoid(i_r + h_r)
        input_gate = F.sigmoid(i_i + h_i)
        new_gate = paddle.tanh(i_n + reset_gate * h_n)
        hy = (1 - input_gate) * hidden + input_gate * new_gate
        return hy

    def forward(self, A, hidden):
        for i in range(self.step):
            hidden = self.GNNCell(A, hidden)
        return hidden

SRGNN部分如下，用到上面的GNN Class，同时和之前说的一样，经过attention的$s_g$ 与序列中的最后一个Item信息相结合，得到最终的序列的嵌入表征：
$$s_h=W_3\left[s_1;s_g\right]\in R^d$$

该user embedding：$s_h$和item embedding内积计算score（如上图所示），使用交叉熵损失函数：
$${\hat{\mathbf{z}}}_i={\mathbf{s}}_{\mathrm{h}}^{\top }{\mathbf{v}}_i.$$

$$\hat{\mathbf{y}}=\mathrm{softmax}(\hat{\mathbf{z}}),$$
对于每个会话图，交叉熵损失函数定义为：
$$\mathcal{L}(\hat{\mathbf{y}})=-\sum _{i=1}^m{\mathbf{y}}_i\log \left({\hat{\mathbf{y}}}_i\right)+\left(1-{\mathbf{y}}_i\right)\log \left(1-{\hat{\mathbf{y}}}_i\right)$$

class SRGNN(nn.Layer):
    r"""SRGNN regards the conversation history as a directed graph.
    In addition to considering the connection between the item and the adjacent item,
    it also considers the connection with other interactive items.

    Such as: A example of a session sequence(eg:item1, item2, item3, item2, item4) and the connection matrix A

    Outgoing edges:
        === ===== ===== ===== =====
         \    1     2     3     4
        === ===== ===== ===== =====
         1    0     1     0     0
         2    0     0    1/2   1/2
         3    0     1     0     0
         4    0     0     0     0
        === ===== ===== ===== =====

    Incoming edges:
        === ===== ===== ===== =====
         \    1     2     3     4
        === ===== ===== ===== =====
         1    0     0     0     0
         2   1/2    0    1/2    0
         3    0     1     0     0
         4    0     1     0     0
        === ===== ===== ===== =====
    """

    def __init__(self, config):
        super(SRGNN, self).__init__()

        # load parameters info
        self.config = config
        self.embedding_size = config['embedding_dim']
        self.step = config['step']
        self.n_items = self.config['n_items']

        # define layers and loss
        # item embedding
        self.item_emb = nn.Embedding(self.n_items, self.embedding_size, padding_idx=0)
        # define layers and loss
        self.gnn = GNN(self.embedding_size, self.step)
        self.linear_one = nn.Linear(self.embedding_size, self.embedding_size)
        self.linear_two = nn.Linear(self.embedding_size, self.embedding_size)
        self.linear_three = nn.Linear(self.embedding_size, 1, bias_attr=False)
        self.linear_transform = nn.Linear(self.embedding_size * 2, self.embedding_size)
        self.loss_fun = nn.CrossEntropyLoss()

        # parameters initialization
        self.reset_parameters()

    def gather_indexes(self, output, gather_index):
        """Gathers the vectors at the specific positions over a minibatch"""
#         gather_index = gather_index.view(-1, 1, 1).expand(-1, -1, output.shape[-1])
        gather_index = gather_index.reshape([-1, 1, 1])
        gather_index = paddle.repeat_interleave(gather_index,output.shape[-1],2)
        output_tensor = paddle.take_along_axis(output, gather_index, 1)
        return output_tensor.squeeze(1)

    def calculate_loss(self,user_emb,pos_item):
        all_items = self.item_emb.weight
        scores = paddle.matmul(user_emb, all_items.transpose([1, 0]))
        return self.loss_fun(scores,pos_item)

    def output_items(self):
        return self.item_emb.weight

    def reset_parameters(self, initializer=None):
        for weight in self.parameters():
            paddle.nn.initializer.KaimingNormal(weight)

    def _get_slice(self, item_seq):
        # Mask matrix, shape of [batch_size, max_session_len]
        mask = (item_seq>0).astype('int32')
        items, n_node, A, alias_inputs = [], [], [], []
        max_n_node = item_seq.shape[1]
        item_seq = item_seq.cpu().numpy()
        for u_input in item_seq:
            node = np.unique(u_input)
            items.append(node.tolist() + (max_n_node - len(node)) * [0])
            u_A = np.zeros((max_n_node, max_n_node))

            for i in np.arange(len(u_input) - 1):
                if u_input[i + 1] == 0:
                    break

                u = np.where(node == u_input[i])[0][0]
                v = np.where(node == u_input[i + 1])[0][0]
                u_A[u][v] = 1

            u_sum_in = np.sum(u_A, 0)
            u_sum_in[np.where(u_sum_in == 0)] = 1
            u_A_in = np.divide(u_A, u_sum_in)
            u_sum_out = np.sum(u_A, 1)
            u_sum_out[np.where(u_sum_out == 0)] = 1
            u_A_out = np.divide(u_A.transpose(), u_sum_out)
            u_A = np.concatenate([u_A_in, u_A_out]).transpose()
            A.append(u_A)

            alias_inputs.append([np.where(node == i)[0][0] for i in u_input])
        # The relative coordinates of the item node, shape of [batch_size, max_session_len]
        alias_inputs = paddle.to_tensor(alias_inputs)
        # The connecting matrix, shape of [batch_size, max_session_len, 2 * max_session_len]
        A = paddle.to_tensor(A)
        # The unique item nodes, shape of [batch_size, max_session_len]
        items = paddle.to_tensor(items)

        return alias_inputs, A, items, mask

    def forward(self, item_seq, mask, item, train=True):
        if train:
            alias_inputs, A, items, mask = self._get_slice(item_seq)
            hidden = self.item_emb(items)
            hidden = self.gnn(A, hidden)
            alias_inputs = alias_inputs.reshape([-1, alias_inputs.shape[1],1])
            alias_inputs = paddle.repeat_interleave(alias_inputs, self.embedding_size, 2)
            seq_hidden = paddle.take_along_axis(hidden,alias_inputs,1)
            # fetch the last hidden state of last timestamp
            item_seq_len = paddle.sum(mask,axis=1)
            ht = self.gather_indexes(seq_hidden, item_seq_len - 1)
            q1 = self.linear_one(ht).reshape([ht.shape[0], 1, ht.shape[1]])
            q2 = self.linear_two(seq_hidden)
			# attention机制
            alpha = self.linear_three(F.sigmoid(q1 + q2))
            a = paddle.sum(alpha * seq_hidden * mask.reshape([mask.shape[0], -1, 1]), 1)
            # attention_emb + last_item_emb
            user_emb = self.linear_transform(paddle.concat([a, ht], axis=1))

            loss = self.calculate_loss(user_emb,item)
            output_dict = {
                'user_emb': user_emb,
                'loss': loss
            }
        else:
            alias_inputs, A, items, mask = self._get_slice(item_seq)
            hidden = self.item_emb(items)
            hidden = self.gnn(A, hidden)
            alias_inputs = alias_inputs.reshape([-1, alias_inputs.shape[1],1])
            alias_inputs = paddle.repeat_interleave(alias_inputs, self.embedding_size, 2)
            seq_hidden = paddle.take_along_axis(hidden, alias_inputs,1)
            # fetch the last hidden state of last timestamp
            item_seq_len = paddle.sum(mask, axis=1)
            ht = self.gather_indexes(seq_hidden, item_seq_len - 1)
            q1 = self.linear_one(ht).reshape([ht.shape[0], 1, ht.shape[1]])
            q2 = self.linear_two(seq_hidden)

            alpha = self.linear_three(F.sigmoid(q1 + q2))
            a = paddle.sum(alpha * seq_hidden * mask.reshape([mask.shape[0], -1, 1]), 1)
            user_emb = self.linear_transform(paddle.concat([a, ht], axis=1))
            output_dict = {
                'user_emb': user_emb,
            }
        return output_dict

上面的权重初始化用到nn.initializer.KaimingNormal初始化，会比随机初始化效果好，也即初始化以下各层权重参数：

其实如果为了更加方便写GNN，也可以直接使用pyg或dgl框架（GNN模型的GNN layer部分完成message function、aggregation function、update function，如上图），关于pyg的下载需要三个东西：

import os
if 'IS_GRADESCOPE_ENV' not in os.environ:
  !pip install torch-scatter -f https://data.pyg.org/whl/torch-1.10.0+cu113.html
  !pip install torch-sparse -f https://data.pyg.org/whl/torch-1.10.0+cu113.html
  !pip install torch-geometric

3.3 其他部分

Pipeline、基于Faiss的向量召回、基于TSNE的Item Embedding分布可视化，和task2内容相同，略。但是评估指标可以参考如下图，Precision@K和Recall@K的分子都相同（推荐了且用户有交互的item数），但是Precision@K的分母是所有推荐的item数。

时间安排

任务信息	截止时间	完成情况
11月14日周一正式开始
Task01：Paddle开发深度学习模型快速入门	11月14、15、16日周三	完成
Task02：传统序列召回实践：GRU4Rec	11月17、18、19日周六	完成
Task03：GNN在召回中的应用：SR-GNN	11月20、21、22日周二	完成
Task04：多兴趣召回实践：MIND	11月23、24、25、26日周六
Task05：多兴趣召回实践：Comirec-DR	11月27、28日周一
Task06：多兴趣召回实践：Comirec-SA	11月29日周二

Reference

[1] GNN在召回中的应用：SR-GNN
论文：Session-based Recommendation with Graph Neural Networks
链接：https://arxiv.org/abs/1811.00855
[2] https://arxiv.org/pdf/2106.05081
[3] https://ojs.aaai.org/index.php/AAAI/article/download/3804/3682
[4] https://www.ijcai.org/proceedings/2019/0547.pdf
[5] https://arxiv.org/pdf/2107.03813
[6] https://arxiv.org/pdf/1911.11942.pdf
[7] recbole的序列推荐模型复现
[8] Deep Learning for Matching in Search and Recommendation.李航，何向南
[9] 推荐系统之深度召回模型综述（PART III）.NewBeeNLP
[10] 推荐系统总结之深度召回模型（中）.一块小蛋糕
[11] 推荐广告搜索zhihu专栏.一块小蛋糕
[12] SR-GNN开源代码
[13] https://github.com/RUCAIBox/RecBole/blob/master/recbole/model/sequential_recommender/srgnn.py
[14] https://sxkdz.github.io/research/SR-GNN/
[15] 图神经网络及其自监督学习.清华AI TIME
[16] SR-GNN代码分析
[17] 图神经网络库 PyTorch Geometric（PYG）
[18] 推荐场景中召回模型的演化过程. 京东大佬
[19] SR-GNN论文解读并附代码分析
[20] 【论文精读】门控图神经网络GGNN及SRGNN
[21] Evaluating A Real-Life Recommender System, Error-Based and Ranking-Based
[22] CS224W助教: Session-based Recommendation Using SR-GNN
[23] CS224W: Machine Learning with Graphs.Stanford / Fall 2021
[24] SRGNN代码注释详细版：userbehavioranalysis/SR-GNN-Chinese_Comment_edition
[25] Recommender Systems with GNNs in PyG
[26] 深度学习参数初始化（二）Kaiming初始化 含代码
[27] Torch 转 PaddlePaddle 实战（避坑指南）