A tensorflow implementation of the paper "Dynamic Item Block and Prediction Enhancing Block for Sequential Recommendation" in IJCAI 2019

python3.6，tensorflow

在Github中直接可以下载，文件名为Dynamic Item Block and Prediction Enhancing Block for Sequential Recommendation.pdf

自带了ml-100k数据集，存放在dataset/processed_datasets/ml-100k
还可以通过以下方式获得其余三个数据集
百度网盘地址：https://pan.baidu.com/s/1X7G3dVEJ0JN7yppcKLY4pA
下载后解压在dataset/processed_datasets目录下即可

直接执行RUM-Ksoft-mulcha-test.py即可
以下文件：
caser-test.py
fpmc-test.py
gru4rec-test.py
rum-i-test.py
为paper中所选baseline，也可以直接运行

'learnRate': 0.002, 学习速率
'maxIter': 2000, 迭代次数
'trainBatchSize': 512, 训练batch_size
'testBatchSize': 512, 测试batch_size
'numFactor': 128, item和user embedding的size
'cell_numbers': 128, 如果选用GRU为中间网络结构，cell的数量
'topN': 10, test时选TopN进行评测
'gru_model': False, 设置为True则中间网络结构为GRU，设置为False则为memory network
'decrease soft': True, 设置为False，损失函数为softmax + cross entropy，设置为True，则采用其他loss
'loss_type': 'PEB', 在decrease soft为True情况下有效，可选择top1，bpr，neg，PEB
'negative_numbers': 25, 负样本数量
'eval_item_num': 1000, train阶段抽取多少item作为一个评价子集，当数据集为ml-100k时，设置为500左右比较合适
'numK': 15, PEB总共计算了K次概率分布
'save_path': 'saved_model',
'save_model': True,
'load_model': False,

for fileName in ['newkin-seq']: 括号中为训练所用数据集，可设置为'newkin-seq','ml-100k','cd-seq','movies_tv-seq'