SASRec: Self-Attentive Sequential Recommendation

这是我们的 TensorFlow（开源机器学习框架）实现，对应论文：

Wang-Cheng Kang, Julian McAuley (2018). Self-Attentive Sequential Recommendation. In Proceedings of IEEE International Conference on Data Mining (ICDM'18)

请在使用代码或数据集时引用我们的论文。

代码在 Linux 桌面环境（配备 GTX 1080 Ti GPU）下使用 TensorFlow 1.12 和 Python 2 进行了测试。

PyTorch（开源深度学习框架）实现请参考此处（感谢 pmixer）。

数据集

预处理后的数据集已包含在仓库中（例如 data/Video.txt），其中每一行包含一个 user id（用户ID）和 item id（物品ID，从1开始），表示一次交互（按时间戳排序）。

数据预处理脚本也已包含在内。例如，您可以从此处下载 Amazon 评论数据，然后运行脚本生成 txt 格式的数据。

Steam 数据集

我们从 Steam 爬取了评论和游戏信息。该数据集包含 7,793,069 条评论、2,567,538 个用户和 32,135 个游戏。除了评论文本外，数据还包括用户在每条评论中的游戏时长。

• 下载：评论 (1.3G), 游戏信息 (2.7M)
• 示例（游戏信息）：

{
    "app_name": "Portal 2", 
    "developer": "Valve", 
    "early_access": false, 
    "genres": ["Action", "Adventure"], 
    "id": "620", 
    "metascore": 95, 
    "price": 19.99, 
    "publisher": "Valve", 
    "release_date": "2011-04-18", 
    "reviews_url": "http://steamcommunity.com/app/620/reviews/?browsefilter=mostrecent&p=1", 
    "sentiment": "Overwhelmingly Positive", 
    "specs": ["Single-player", "Co-op", "Steam Achievements", "Full controller support", "Steam Trading Cards", "Captions available", "Steam Workshop", "Steam Cloud", "Stats", "Includes level editor", "Commentary available"], 
    "tags": ["Puzzle", "Co-op", "First-Person", "Sci-fi", "Comedy", "Singleplayer", "Adventure", "Online Co-Op", "Funny", "Science", "Female Protagonist", "Action", "Story Rich", "Multiplayer", "Atmospheric", "Local Co-Op", "FPS", "Strategy", "Space", "Platformer"], 
    "title": "Portal 2", 
    "url": "http://store.steampowered.com/app/620/Portal_2/"
}

模型训练

在 Video 数据集上训练我们的模型（使用默认 hyper-parameters（超参数））：

python main.py --dataset=Video --train_dir=default 

或在 ml-1m 数据集上：

python main.py --dataset=ml-1m --train_dir=default --maxlen=200 --dropout_rate=0.2 

其他

self attention（自注意力机制）的实现基于此处修改而来。

在 ml-1m 上的收敛曲线，与基于 CNN/RNN（卷积神经网络/循环神经网络）的方法对比：

SASRec 快速上手指南

环境准备

• 操作系统：Linux（已在 Linux 桌面环境 + GTX 1080 Ti GPU 测试）
• Python 版本：Python 2（代码基于旧版 Python，请注意版本兼容性）
• TensorFlow 版本：1.12（必须使用此特定版本）
• 硬件建议：推荐使用 NVIDIA GPU 加速训练

重要提示：本项目基于较旧的 TensorFlow 1.x 和 Python 2，如需更现代的实现，建议使用 PyTorch 版本。

安装步骤

# 克隆仓库
git clone https://github.com/kang205/SASRec.git
cd SASRec

# 安装 TensorFlow 1.12（CPU 版本）
pip install tensorflow==1.12

# 或安装 GPU 版本（推荐）
pip install tensorflow-gpu==1.12

数据集已包含在仓库中（data/ 目录下），无需额外下载。

基本使用

在 Video 数据集上训练（默认超参数）

python main.py --dataset=Video --train_dir=default

在 ml-1m 数据集上训练

python main.py --dataset=ml-1m --train_dir=default --maxlen=200 --dropout_rate=0.2

训练完成后，模型和相关结果将保存在指定的 train_dir 目录中。