[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-pmixer--SASRec.pytorch":3,"tool-pmixer--SASRec.pytorch":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",144730,2,"2026-04-07T23:26:32",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":76,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":10,"env_os":97,"env_gpu":98,"env_ram":99,"env_deps":100,"category_tags":105,"github_topics":107,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":147},5338,"pmixer\u002FSASRec.pytorch","SASRec.pytorch","PyTorch(1.6+) implementation of https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec","SASRec.pytorch 是经典序列推荐模型 SASRec 的 PyTorch 版本实现，旨在帮助开发者和研究人员更便捷地复现与实验“自注意力机制在序列化推荐中的应用”。该工具基于原作者的 TensorFlow 代码重构而成，不仅简化了环境依赖，还修复了位置嵌入等关键细节，有效缓解了模型过拟合问题，同时保留了推荐系统中必要的个性化拟合能力。\n\n近期更新还引入了 LayerNorm 优化，进一步提升了 NDCG 和 HR 等核心评估指标的表现。SASRec.pytorch 特别适合从事推荐系统算法研究的高校学者、需要快速验证序列建模效果的工程师，以及希望深入理解 Self-Attention 在时序行为数据中应用的学习者。项目提供了清晰的训练与推理脚本，支持自定义数据集与超参数配置，并兼容 CUDA 加速。\n\n作为开源社区对顶会论文的重要补充，SASRec.pytorch 以简洁的代码结构和稳定的运行表现，降低了序列推荐模型的上手门槛，是连接理论研究与工程实践的优秀桥梁。","update on 05\u002F23\u002F2025: thx to [Wentworth1028](https:\u002F\u002Fgithub.com\u002FWentworth1028) and [Tiny-Snow](https:\u002F\u002Fgithub.com\u002FTiny-Snow), we have LayerNorm update, for higher NDCG&HR, and here's the [doc](https:\u002F\u002Fgithub.com\u002FTiny-Snow\u002FSASRec.pytorch\u002Fblob\u002Fmain\u002FResult_Norm.md)👍.\n\n---\n\nmodified based on [paper author's tensorflow implementation](https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec), switching to PyTorch(v1.6) for simplicity, fixed issues like positional embedding usage etc. (making it harder to overfit, except for that, in recsys, personalization=overfitting sometimes)\n\ncode in `python` folder.\n\nto train:\n\n```\npython main.py --dataset=ml-1m --train_dir=default --maxlen=200 --dropout_rate=0.2 --device=cuda\n```\n\njust inference:\n\n```\npython main.py --device=cuda --dataset=ml-1m --train_dir=default --state_dict_path=[YOUR_CKPT_PATH] --inference_only=true --maxlen=200\n\n```\n\noutput for each run would be slightly random, as negative samples are randomly sampled, here's my output for two consecutive runs:\n\n```\n1st run - test (NDCG@10: 0.5897, HR@10: 0.8190)\n2nd run - test (NDCG@10: 0.5918, HR@10: 0.8225)\n```\n\npls check paper author's [repo](https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec) for detailed intro and more complete README, and here's the paper bib FYI :)\n\n```\n@inproceedings{kang2018self,\n  title={Self-attentive sequential recommendation},\n  author={Kang, Wang-Cheng and McAuley, Julian},\n  booktitle={2018 IEEE International Conference on Data Mining (ICDM)},\n  pages={197--206},\n  year={2018},\n  organization={IEEE}\n}\n```\n\nI see a dozen of citations of the repo🫰, pls use the example bib as below if needed.\n```\n@online{huang2020sasrec_pytorch,\n  author  = {Zan Huang},\n  title   = {SASRec.pytorch},\n  year    = {2020},\n  url     = {https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch}\n}\n```\n","2025年5月23日更新：感谢 [Wentworth1028](https:\u002F\u002Fgithub.com\u002FWentworth1028) 和 [Tiny-Snow](https:\u002F\u002Fgithub.com\u002FTiny-Snow)，我们引入了 LayerNorm 优化，显著提升了 NDCG 和 HR 指标。相关文档请见：[doc](https:\u002F\u002Fgithub.com\u002FTiny-Snow\u002FSASRec.pytorch\u002Fblob\u002Fmain\u002FResult_Norm.md) 👍。\n\n---\n\n本项目基于论文作者的 TensorFlow 实现（[GitHub 地址](https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec)）进行修改，为简化代码迁移至 PyTorch (v1.6)，并修复了位置嵌入使用等问题（这有助于降低过拟合风险；不过在推荐系统中，个性化有时就意味着过拟合）。\n\n代码位于 `python` 文件夹中。\n\n训练命令如下：\n\n```\npython main.py --dataset=ml-1m --train_dir=default --maxlen=200 --dropout_rate=0.2 --device=cuda\n```\n\n仅进行推理的命令如下：\n\n```\npython main.py --device=cuda --dataset=ml-1m --train_dir=default --state_dict_path=[YOUR_CKPT_PATH] --inference_only=true --maxlen=200\n```\n\n由于负样本是随机采样的，每次运行的结果会略有差异。以下是连续两次运行的输出结果：\n\n```\n第1次运行 - 测试集 (NDCG@10: 0.5897, HR@10: 0.8190)\n第2次运行 - 测试集 (NDCG@10: 0.5918, HR@10: 0.8225)\n```\n\n有关更详细的介绍和完整的 README，请参阅论文作者的仓库：[GitHub 地址](https:\u002F\u002Fgithub.com\u002Fkang205\u002FSASRec)。此外，附上论文引用信息供参考：\n\n```\n@inproceedings{kang2018self,\n  title={Self-attentive sequential recommendation},\n  author={Kang, Wang-Cheng and McAuley, Julian},\n  booktitle={2018 IEEE International Conference on Data Mining (ICDM)},\n  pages={197--206},\n  year={2018},\n  organization={IEEE}\n}\n```\n\n我注意到该仓库已被引用十余次🫰。如需引用，可参考以下示例：\n\n```\n@online{huang2020sasrec_pytorch,\n  author  = {Zan Huang},\n  title   = {SASRec.pytorch},\n  year    = {2020},\n  url     = {https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch}\n}\n```","# SASRec.pytorch 快速上手指南\n\nSASRec.pytorch 是基于论文《Self-attentive sequential recommendation》的 PyTorch 实现版本。相较于原始的 TensorFlow 实现，该版本简化了代码结构，修复了位置嵌入（positional embedding）的使用问题，并支持 LayerNorm 以提升 NDCG 和 HR 指标。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：建议 Python 3.6+\n*   **深度学习框架**：PyTorch v1.6 或更高版本\n*   **硬件加速**：推荐使用 NVIDIA GPU 并安装对应的 CUDA 驱动（命令中需指定 `--device=cuda`），若无 GPU 可改为 `cpu`。\n\n**依赖安装：**\n建议使用国内镜像源加速安装 PyTorch 及其他依赖。\n\n```bash\n# 示例：使用清华源安装 PyTorch (请根据实际 CUDA 版本调整)\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装其他可能需要的通用依赖\npip install numpy pandas tqdm -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n本项目无需复杂的安装过程，直接克隆仓库即可使用。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch.git\ncd SASRec.pytorch\n```\n\n所有核心代码均位于 `python` 文件夹内。\n\n## 基本使用\n\n### 1. 训练模型\n\n使用 MovieLens-1M (`ml-1m`) 数据集进行训练。以下命令启用了 GPU 加速，设置了最大序列长度为 200，Dropout 率为 0.2。\n\n```bash\npython main.py --dataset=ml-1m --train_dir=default --maxlen=200 --dropout_rate=0.2 --device=cuda\n```\n\n> **注意**：由于负采样具有随机性，每次运行的输出结果会有轻微波动。\n\n### 2. 仅进行推理（测试）\n\n如果您已有训练好的检查点文件（`.ckpt`），可以使用以下命令直接进行评估。请将 `[YOUR_CKPT_PATH]` 替换为您的实际模型路径。\n\n```bash\npython main.py --device=cuda --dataset=ml-1m --train_dir=default --state_dict_path=[YOUR_CKPT_PATH] --inference_only=true --maxlen=200\n```\n\n### 预期输出示例\n\n运行结束后，终端将输出测试集的评估指标（如 NDCG@10 和 HR@10）。由于随机采样，数值会在一定范围内浮动：\n\n```text\n1st run - test (NDCG@10: 0.5897, HR@10: 0.8190)\n2nd run - test (NDCG@10: 0.5918, HR@10: 0.8225)\n```\n\n---\n**参考文献**\n如需引用此项目，请使用以下 BibTeX：\n```bibtex\n@online{huang2020sasrec_pytorch,\n  author  = {Zan Huang},\n  title   = {SASRec.pytorch},\n  year    = {2020},\n  url     = {https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch}\n}\n```","某电商平台的推荐算法团队正致力于优化“猜你喜欢”模块，希望利用用户历史行为序列精准预测其下一次可能购买的商品。\n\n### 没有 SASRec.pytorch 时\n- **模型迁移成本高**：团队需手动将论文作者的 TensorFlow 代码重写为 PyTorch 版本，耗时数周且容易在位置编码等细节上引入隐性 Bug。\n- **难以捕捉长序列依赖**：传统循环神经网络（RNN）在处理用户长达数百次的点击记录时，容易遗忘早期关键兴趣点，导致推荐结果缺乏连贯性。\n- **泛化与过拟合难平衡**：在个性化推荐中，模型极易死记硬背用户历史数据（过拟合），缺乏有效的正则化手段（如 Dropout）来应对稀疏数据场景。\n- **实验迭代缓慢**：缺乏标准化的训练脚本和预置参数，每次调整超参数都需重新搭建环境，严重拖慢算法验证节奏。\n\n### 使用 SASRec.pytorch 后\n- **开箱即用的 PyTorch 实现**：直接复用基于 PyTorch 1.6+ 的成熟代码，修复了位置嵌入等已知问题，将模型部署时间从数周缩短至几天。\n- **自注意力机制精准建模**：利用 Self-Attention 机制并行处理用户行为序列，有效捕捉长距离依赖关系，显著提升了针对长历史行为用户的推荐准确度。\n- **动态防过拟合能力**：内置 Dropout 率和最新的 LayerNorm 更新，在保证个性化的同时有效抑制过拟合，使 NDCG@10 和 HR@10 指标获得稳定提升。\n- **高效的实验流水线**：通过简单的命令行即可启动训练或推理，支持随机负采样和断点续训，让团队能快速验证不同数据集（如 ml-1m）的效果。\n\nSASRec.pytorch 通过提供稳定、高效的自注意力序列推荐实现，帮助团队大幅降低了工程落地门槛并显著提升了推荐系统的核心指标。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpmixer_SASRec.pytorch_3b267f6d.png","pmixer","黄(Huáng)瓒(Zàn)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpmixer_2a2871c6.png","Time tourist, having fun in between Math&Physics using Python&CUDA.",null,"Earth","https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fpmixer\u002F","https:\u002F\u002Fgithub.com\u002Fpmixer",[81,85,89],{"name":82,"color":83,"percentage":84},"TeX","#3D6117",57.6,{"name":86,"color":87,"percentage":88},"Python","#3572A5",26.2,{"name":90,"color":91,"percentage":92},"Rust","#dea584",16.2,569,127,"2026-04-02T12:02:30","Apache-2.0","","可选（命令示例中使用 --device=cuda），具体型号、显存大小及 CUDA 版本未说明","未说明",{"notes":101,"python":102,"dependencies":103},"该工具是基于原始 TensorFlow 实现修改的 PyTorch (v1.6) 版本。代码位于 `python` 文件夹中。训练和推理命令均支持指定设备（如 cuda）。由于负采样具有随机性，每次运行的输出结果会有轻微波动。2025 年 5 月 23 日更新：增加了 LayerNorm 以提升 NDCG 和 HR 指标。","未说明（基于 PyTorch v1.6，推测需 Python 3.6+）",[104],"torch==1.6",[14,106],"音频",[108,109,110,111],"pytorch","recommender-system","sasrec","sequential-models","2026-03-27T02:49:30.150509","2026-04-08T12:11:31.614996",[115,120,125,130,135,139,143],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},24206,"PyTorch 版本的模型收敛速度比原版慢，且结果略低于论文报告值，该如何解决？","这是预期现象。由于修复了因果性问题以及负采样随机性带来的内在不确定性，PyTorch 版本收敛较慢且难以完全复现论文结果。建议增加训练迭代次数（例如从默认的 201 epoch 增加到 601 甚至 1001 epoch）。如果追求更稳定的结果，可以在评估时对全量物品进行排序（rank all items），而不是仅使用 100 个负样本。","https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch\u002Fissues\u002F3",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},24207,"在评估函数中，为什么要将测试集的真实目标项（test[u][0]）加入到候选列表（item_index）中？这是否属于数据泄露？","这不是数据泄露，而是序列推荐系统中标准的评估协议（通常称为 'Sampled Metrics' 或 'Leave-One-Out' 评估）。评估逻辑是：模型需要从包含 1 个真实正样本和 100 个随机负样本的候选池中，正确地将真实项排名靠前。如果不将真实项加入候选列表，就无法计算模型在该特定候选集中的命中率（Hit Rate）或排名（Rank）。","https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch\u002Fissues\u002F11",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},24208,"为什么代码中将 padding 部分设置为 0 而不是 -inf，且不直接使用 key_padding_mask？","代码中使用 `attn_mask` 而不是 `key_padding_mask` 主要是为了与原始的 TensorFlow 实现保持一致。虽然 PyTorch 文档指出这两个参数在某些情况下可互换，但作者选择统一使用 `attn_mask` 来处理时间步掩码和填充掩码的逻辑组合。只要掩码逻辑正确（将无效位置屏蔽），设置为 0 并在后续注意力计算中处理即可达到目的，并非错误。","https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch\u002Fissues\u002F27",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},24209,"代码中的 attention_mask 为什么要使用取反符号（~）？","这是为了构建因果掩码（Causal Mask）。`torch.tril` 生成的是下三角矩阵（主对角线及以下为 1，其余为 0），代表“可见”的区域。在注意力机制中，我们通常希望屏蔽掉未来时刻（即上三角区域），使其注意力分数为负无穷大。因此，需要使用 `~` 对下三角矩阵取反，使得未来位置变为 True（表示需要被屏蔽\u002F忽略），过去和当前位置为 False。","https:\u002F\u002Fgithub.com\u002Fpmixer\u002FSASRec.pytorch\u002Fissues\u002F6",{"id":136,"question_zh":137,"answer_zh":138,"source_url":134},24210,"SASRec 等序列推荐模型的实验结果是否可靠？为什么在全量物品排序时性能会大幅下降？","这是一个已知的问题，称为“采样指标的高估”（performance overestimation due to sampled metrics）。大多数论文（包括 SASRec）使用 100 个负样本进行评估，这在特定设置下能体现模型优势。但如果改为对所有物品进行排序（rank all items），NDCG 和 HIT 指标通常会急剧下降。这并不代表模型完全无效，但说明目前的评估标准存在局限性。建议参考 KDD 2020 最佳论文《On Sampled Metrics for Item Recommendation》了解详细研究。",{"id":140,"question_zh":141,"answer_zh":142,"source_url":119},24211,"ML-1M 数据集是如何处理的？原始 ID 和映射后的 ID 之间有对应关系吗？","代码库中提供的 ML-1M 数据集通常是已经预处理过的版本。具体的处理方法（如过滤低频用户\u002F物品、ID 重映射等）通常遵循原论文或标准基准设置。关于原始 ID 到映射 ID 的具体对应关系表，如果仓库未直接提供，通常需要查看数据处理脚本或按照标准的 RecSys 预处理流程（如移除交互少于一定次数的用户和物品，然后重新索引从 1 开始）自行重建。",{"id":144,"question_zh":145,"answer_zh":146,"source_url":124},24212,"如果在评估时对所有物品进行预测（而不是采样 100 个），得到的命中率（Hit Rate）很低（如 0.15），这正常吗？","是正常的。正如在采样指标问题中提到的，当从采样 100 个负样本切换到全量物品排序时，由于分母（候选集大小）急剧增大，命中率（Hit Rate）和 NDCG 等指标会出现显著下降。这反映了采样评估与全量评估之间的巨大差异，而非模型训练失败。",[]]