[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kang205--SASRec":3,"tool-kang205--SASRec":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":98,"github_topics":99,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":144},1028,"kang205\u002FSASRec","SASRec","SASRec: Self-Attentive Sequential Recommendation","SASRec是一个基于自注意力机制的序列推荐系统开源实现，由TensorFlow构建。它能根据用户的历史行为序列（如点击、购买记录）预测下一步可能感兴趣的物品，适用于电商、视频、游戏等推荐场景。\n\n传统推荐模型往往难以捕捉用户兴趣的动态演变和长距离依赖关系。SASRec通过引入Transformer架构中的自注意力机制，能够并行计算序列中所有物品的相互影响，精准识别关键行为模式，在训练效率和预测效果上均优于传统的RNN\u002FCNN方法。\n\n这个工具主要面向推荐系统领域的研究人员和开发者，需要具备深度学习和TensorFlow基础知识。项目提供了完整的预处理数据集（包括亚马逊商品和Steam游戏评论数据）和训练脚本，开箱即用。如果你正在研究序列推荐或希望提升现有推荐系统的性能，SASRec是一个值得尝试的前沿方案。","# SASRec: Self-Attentive Sequential Recommendation\n\nThis is our TensorFlow implementation for the paper:\n\n[Wang-Cheng Kang](http:\u002F\u002Fkwc-oliver.com), [Julian McAuley](http:\u002F\u002Fcseweb.ucsd.edu\u002F~jmcauley\u002F) (2018). *[Self-Attentive Sequential Recommendation.](https:\u002F\u002Fcseweb.ucsd.edu\u002F~jmcauley\u002Fpdfs\u002Ficdm18.pdf)* In Proceedings of IEEE International Conference on Data Mining (ICDM'18)\n\nPlease cite our paper if you use the code or datasets.\n\nThe code is tested under a Linux desktop (w\u002F GTX 1080 Ti GPU) with TensorFlow 1.12 and Python 2.\n\nRefer to *[here](https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch)* for PyTorch implementation (thanks to pmixer).\n\n## Datasets\n\nThe preprocessed datasets are included in the repo (`e.g. data\u002FVideo.txt`), where each line contains an `user id` and \n`item id` (starting from 1) meaning an interaction (sorted by timestamp).\n\nThe data pre-processing script is also included. For example, you could download Amazon review data from *[here.](http:\u002F\u002Fjmcauley.ucsd.edu\u002Fdata\u002Famazon\u002Findex.html)*, and run the script to produce the `txt` format data.\n\n### Steam Dataset\n\nWe crawled reviews and game information from Steam. The dataset contains 7,793,069 reviews, 2,567,538 users, and 32,135 games. In addition to the review text, the data also includes the users' play hours in each review.     \n\n* Download: [reviews (1.3G)](http:\u002F\u002Fcseweb.ucsd.edu\u002F~wckang\u002Fsteam_reviews.json.gz), [game info (2.7M)](http:\u002F\u002Fcseweb.ucsd.edu\u002F~wckang\u002Fsteam_games.json.gz)\n* Example (game info):\n```json\n{\n    \"app_name\": \"Portal 2\", \n    \"developer\": \"Valve\", \n    \"early_access\": false, \n    \"genres\": [\"Action\", \"Adventure\"], \n    \"id\": \"620\", \n    \"metascore\": 95, \n    \"price\": 19.99, \n    \"publisher\": \"Valve\", \n    \"release_date\": \"2011-04-18\", \n    \"reviews_url\": \"http:\u002F\u002Fsteamcommunity.com\u002Fapp\u002F620\u002Freviews\u002F?browsefilter=mostrecent&p=1\", \n    \"sentiment\": \"Overwhelmingly Positive\", \n    \"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\"], \n    \"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\"], \n    \"title\": \"Portal 2\", \n    \"url\": \"http:\u002F\u002Fstore.steampowered.com\u002Fapp\u002F620\u002FPortal_2\u002F\"\n}\n```\n  \n\n## Model Training\n\nTo train our model on `Video` (with default hyper-parameters): \n\n```\npython main.py --dataset=Video --train_dir=default \n```\n\nor on `ml-1m`:\n\n```\npython main.py --dataset=ml-1m --train_dir=default --maxlen=200 --dropout_rate=0.2 \n``` \n\n## Misc\n\nThe implemention of self attention is modified based on *[this](https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftransformer)*\n\nThe convergence curve on `ml-1m`, compared with CNN\u002FRNN based approaches:  \n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkang205_SASRec_readme_991769792aea.png\" width=\"400\">\n","# SASRec: Self-Attentive Sequential Recommendation\n\n这是我们的 TensorFlow（开源机器学习框架）实现，对应论文：\n\n[Wang-Cheng Kang](http:\u002F\u002Fkwc-oliver.com), [Julian McAuley](http:\u002F\u002Fcseweb.ucsd.edu\u002F~jmcauley\u002F) (2018). *[Self-Attentive Sequential Recommendation.](https:\u002F\u002Fcseweb.ucsd.edu\u002F~jmcauley\u002Fpdfs\u002Ficdm18.pdf)* In Proceedings of IEEE International Conference on Data Mining (ICDM'18)\n\n请在使用代码或数据集时引用我们的论文。\n\n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。\n\nPyTorch（开源深度学习框架）实现请参考[此处](https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch)（感谢 pmixer）。\n\n## 数据集\n\n预处理后的数据集已包含在仓库中（例如 `data\u002FVideo.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）。\n\n数据预处理脚本也已包含在内。例如，您可以从[此处](http:\u002F\u002Fjmcauley.ucsd.edu\u002Fdata\u002Famazon\u002Findex.html)下载 Amazon 评论数据，然后运行脚本生成 `txt` 格式的数据。\n\n### Steam 数据集\n\n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。\n\n* 下载：[评论 (1.3G)](http:\u002F\u002Fcseweb.ucsd.edu\u002F~wckang\u002Fsteam_reviews.json.gz), [游戏信息 (2.7M)](http:\u002F\u002Fcseweb.ucsd.edu\u002F~wckang\u002Fsteam_games.json.gz)\n* 示例（游戏信息）：\n```json\n{\n    \"app_name\": \"Portal 2\", \n    \"developer\": \"Valve\", \n    \"early_access\": false, \n    \"genres\": [\"Action\", \"Adventure\"], \n    \"id\": \"620\", \n    \"metascore\": 95, \n    \"price\": 19.99, \n    \"publisher\": \"Valve\", \n    \"release_date\": \"2011-04-18\", \n    \"reviews_url\": \"http:\u002F\u002Fsteamcommunity.com\u002Fapp\u002F620\u002Freviews\u002F?browsefilter=mostrecent&p=1\", \n    \"sentiment\": \"Overwhelmingly Positive\", \n    \"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\"], \n    \"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\"], \n    \"title\": \"Portal 2\", \n    \"url\": \"http:\u002F\u002Fstore.steampowered.com\u002Fapp\u002F620\u002FPortal_2\u002F\"\n}\n```\n\n## 模型训练\n\n在 `Video` 数据集上训练我们的模型（使用默认 hyper-parameters（超参数））：\n\n```\npython main.py --dataset=Video --train_dir=default \n```\n\n或在 `ml-1m` 数据集上：\n\n```\npython main.py --dataset=ml-1m --train_dir=default --maxlen=200 --dropout_rate=0.2 \n``` \n\n## 其他\n\nself attention（自注意力机制）的实现基于[此处](https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftransformer)修改而来。\n\n在 `ml-1m` 上的收敛曲线，与基于 CNN\u002FRNN（卷积神经网络\u002F循环神经网络）的方法对比：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkang205_SASRec_readme_991769792aea.png\" width=\"400\">","# SASRec 快速上手指南\n\n## 环境准备\n\n- **操作系统**：Linux（已在 Linux 桌面环境 + GTX 1080 Ti GPU 测试）\n- **Python 版本**：Python 2（代码基于旧版 Python，请注意版本兼容性）\n- **TensorFlow 版本**：1.12（必须使用此特定版本）\n- **硬件建议**：推荐使用 NVIDIA GPU 加速训练\n\n> **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](https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch)。\n\n## 安装步骤\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec.git\ncd SASRec\n\n# 安装 TensorFlow 1.12（CPU 版本）\npip install tensorflow==1.12\n\n# 或安装 GPU 版本（推荐）\npip install tensorflow-gpu==1.12\n```\n\n数据集已包含在仓库中（`data\u002F` 目录下），无需额外下载。\n\n## 基本使用\n\n### 在 Video 数据集上训练（默认超参数）\n\n```bash\npython main.py --dataset=Video --train_dir=default\n```\n\n### 在 ml-1m 数据集上训练\n\n```bash\npython main.py --dataset=ml-1m --train_dir=default --maxlen=200 --dropout_rate=0.2\n```\n\n训练完成后，模型和相关结果将保存在指定的 `train_dir` 目录中。","某中型游戏平台\"GameHub\"的推荐系统负责人小李，正面临用户留存率持续下滑的困境。平台积累了200万用户和5万款游戏的交互数据，但现有推荐算法无法捕捉玩家兴趣的动态变化。\n\n### 没有 SASRec 时\n- **无法捕捉兴趣迁移**：玩家\"张三\"过去三个月从休闲益智游戏转向竞技射击游戏，但基于物品的协同过滤仍推荐《糖果传奇》类似游戏，导致点击率不足2%\n- **长序列建模困难**：RNN模型处理超过50个游戏记录时训练速度下降70%，且难以捕捉早期行为与当前兴趣的关联\n- **推荐结果黑盒**：运营团队问\"为什么给这位玩家推荐《赛博朋克2077》？\"，算法工程师无法给出可解释的答案，策略优化全靠猜测\n- **新游戏冷启动**：上周上线的独立游戏《Hades》因缺乏历史数据，首周曝光量仅为热门游戏的1\u002F20\n\n### 使用 SASRec 后\n- **精准识别兴趣演变**：SASRec的自注意力机制自动学习张三近期行为权重，推荐列表前5位变为《Apex英雄》《CS:GO》等射击游戏，点击率在两周内提升至8.3%\n- **高效处理长序列**：支持200+长度序列训练，GPU利用率稳定在90%以上，模型迭代周期从3天缩短至6小时\n- **注意力权重可视化**：通过注意力热力图清晰展示\"最近3款游戏占推荐权重67%\"，运营可据此设计精准推送策略\n- **缓解冷启动问题**：基于游戏标签序列相似性，新游戏《Hades》被准确推荐给Roguelike玩家群体，首周下载量提升12倍\n\nSASRec帮助GameHub在三个月内将整体推荐点击率提升15%，用户30日留存率提高10个百分点，让序列推荐真正做到了既懂用户过去，更懂用户现在。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkang205_SASRec_99176979.png","kang205","Kwc-Oliver","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkang205_c4293dc3.png",null,"cseweb.ucsd.edu\u002F~wckang\u002F","https:\u002F\u002Fgithub.com\u002Fkang205",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,961,181,"2026-04-03T02:36:28","Apache-2.0","Linux","需要 NVIDIA GPU（代码在 GTX 1080 Ti 上测试），显存 11GB，CUDA 9.0+","未说明",{"notes":94,"python":95,"dependencies":96},"代码基于 TensorFlow 1.12 和 Python 2 实现，版本较旧。包含数据预处理脚本，可处理 Amazon 评论数据和 Steam 游戏数据。训练命令示例：python main.py --dataset=Video --train_dir=default。另有 PyTorch 实现版本可用。","2.x",[97],"tensorflow==1.12",[13],[100,101],"recommender-system","deep-learning","2026-03-27T02:49:30.150509","2026-04-06T06:58:31.917635",[105,110,115,120,125,130,134,139],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},4583,"运行程序时出现多进程错误 'An attempt has been made to start a new process before...' 怎么办？","代码基于 Python 2 编写，建议使用 Python 2.7 运行。若必须使用 Python 3，需添加 `if __name__ == '__main__':` 保护，但可能会与 sampler 的 close 函数冲突导致程序提前退出。","https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec\u002Fissues\u002F1",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},4584,"Steam 数据集中的 recommend 字段全为 True 是否正常？","不正常，这是数据爬取时的 bug。所有样本的 'recommend' 属性均为 True，可能是解析页面时的错误导致的。作者已确认此问题并会添加说明，使用时请注意这一数据质量问题。","https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec\u002Fissues\u002F5",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},4585,"论文中说的训练序列最小长度与代码实现不一致怎么办？","论文中说明最小长度为 5，但代码实现中设置为 3。这是实现与论文的描述差异，用户在使用时需要注意代码中的实际设置（见 DataProcessing.py 或相关预处理脚本）。","https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec\u002Fissues\u002F8",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},4578,"生成注意力 mask 时，tf.sign、tf.abs 和 tf.reduce_sum 的正确调用顺序是什么？","正确的顺序应该是：`tf.sign(tf.reduce_sum(tf.abs(...), axis=-1))`。原代码中 `tf.sign(tf.abs(tf.reduce_sum(...)))` 的顺序有误，虽然对高维向量影响不大，但在边界情况下可能生成错误的 mask。Kyubyong\u002Ftransformer 仓库已修复此问题，建议参考其最新实现。","https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec\u002Fissues\u002F14",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},4579,"运行代码时出现 tf.abs 没有 axis 参数的错误怎么办？","这是代码 bug，应修改为 `tf.reduce_sum(tf.abs(keys), axis=-1)`。原错误代码 `tf.abs(tf.reduce_sum(keys, axis=-1))` 将 axis 参数传给了 tf.abs，而 tf.abs 不支持该参数。","https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec\u002Fissues\u002F17",{"id":131,"question_zh":132,"answer_zh":133,"source_url":119},4580,"如何保存训练过程中的模型 checkpoint？","可以使用 TensorFlow 的 saver 功能导出模型。对于预处理阶段移除冷启动用户和物品的操作，可以参考代码 `data\u002FDataProcessing.py` 第 38 行的实现。",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},4581,"出现 TypeError: 'float' object cannot be interpreted as an integer 错误如何解决？","这是因为 `num_batch = len(user_train) \u002F args.batch_size` 在 Python 3 中返回浮点数。解决方案：1) 使用 Python 2.7 运行代码；2) 或修改为整数除法：`num_batch = len(user_train) \u002F\u002F args.batch_size`。","https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec\u002Fissues\u002F6",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},4582,"为什么评估代码中要对预测值做两次 argsort() 操作并乘以 -1？","这是一个巧妙的排名技巧：1) 第一次 argsort() 得到元素从小到大排序的索引；2) 第二次 argsort() 得到每个元素在原始数组中的排名（从小到大）；3) 乘以 -1 后，原最小值变为最大值，结合双重 argsort，最终得到从大到小的排名（即预测分数越高排名越靠前）。","https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec\u002Fissues\u002F4",[]]