协同过滤推荐算法实现。

接上篇日志，获得了新数据的索引之后，模型的输入基本上就搞定了。
模型是基于MF算法的，原理请移步：https://zhuanlan.zhihu.com/p/69662980
总之就是模型的训练需要用户和item的交互数据，而测试只需要用户和item的id，就能预测用户对每个item的喜好程度并用用score量化。有了每个item的score，系统就可以取score最高的前K个item推荐给用户。
不过实现的推荐算法的精度并不高，在8%左右。随机推荐效果也差不多了。

代码实现：

import torch
from torch import nn
from torch.nn import functional as F
import numpy as np
from rec.model_FM import FM as rec_model

latent_len = 64
user_num = 33278
item_num = 172946
user = 20 #用户id接口
k = 30

# --model setup----------------------------------------------------------------------------------
class myModel(nn.Module):
    def __init__(self,
                 embedding_size,
                 user_num,
                 item_num,
                 ):
        super(myModel, self).__init__()

        # create rec model
        self.rec_model = rec_model(embedding_size, user_num, item_num)

        # create user and item embeddings
        self.user_embeddings = nn.Embedding(user_num, embedding_size)
        self.item_embeddings = nn.Embedding(item_num, embedding_size)

        # initialize user and item embeddings
        # initilization
        user_weight = torch.FloatTensor(user_num, embedding_size)
        item_weight = torch.FloatTensor(item_num, embedding_size)
        nn.init.xavier_uniform_(user_weight)
        nn.init.xavier_uniform_(item_weight)
        user_weight = F.normalize(user_weight, p=2, dim=1)
        item_weight = F.normalize(item_weight, p=2, dim=1)
        # feed values
        self.user_embeddings.weight.data.copy_(user_weight)
        self.item_embeddings.weight.data.copy_(item_weight)
        # miscs
        self.bias = nn.Parameter(torch.FloatTensor([0.0]))

    def forward(self, u_ids, i_ids):
        # get user/item embeddings
        u_e = self.user_embeddings(u_ids)  # torch.Size([128, 64])
        i_e = self.item_embeddings(i_ids)  # torch.Size([128, 64])

        y = self.rec_model(u_ids, i_ids, u_e, i_e)  # torch.Size([128])

        return y
model = myModel(latent_len,user_num,item_num)
model = nn.DataParallel(model)

#--load model--------------------------------
model_path = 'model_recommendation.pt'
model_dict_pretrained = torch.load(model_path, map_location='cpu')  # 6
cur_model_dict = model.state_dict()  # 6
shared_dict = {k: v for k, v in model_dict_pretrained.items() if k in cur_model_dict}  # 6
cur_model_dict.update(shared_dict)
model.load_state_dict(cur_model_dict)

#--get user_ids,item_ids------------------------------------------------
data = np.load('indexT.npy')
item_ids = torch.from_numpy(data)
user_ids = torch.from_numpy(np.array(user)).unsqueeze(0)
user_ids = user_ids.repeat(len(item_ids)).long()

#--get top K item_ids-----------------------------------------------------------
scores = model(user_ids, item_ids)
scores = scores.detach().cpu().numpy()
rank_list = (scores).argsort()[:k] #start from highest
rec_list = item_ids[rank_list]#得到top K item_ids在原数据的索引
#print(rec_list)
#根据索引还原item_ids
rec_list = rec_list.detach().cpu().numpy()
index = np.load("recipe_index_list_new.npy")
for i in rec_list:
    list = []
    list.append(index[i])
    print (list)

代码是在学长的代码基础上完成的。协同过滤推荐是上学期的课设内容，但是当时我只是把代码跑通，根本没有深入，所以暑期实训依然一头雾水。所以推荐算法是在管理同学和学长的帮助下实现的。

接下来的工作是利用flask实现算法的嵌入。