【TF2.x复现】MF-BPR---贝叶斯个性化排序（tf.keras.layers.Layer.add_loss)

前言

最近想要进行对比实验，在写AtttRec的时候，发现要使用对损失函数，即来自BPR（贝叶斯个性化排序）。因此，先建立MF-BPR模型进行实验。在BPR的建立过程遇到很多问题，现在将整个模型的建模过程进行分享。模型源码可以在我的Githubhttps://github.com/ZiyaoGeng/Recommender-System-with-TF2.0找到。
本文约2.9k字，预计阅读10分钟。

MF-BPR模型建立

1、首先定义模型输入的初始化参数：

• feature_columns：输入的特征列，分为用户特征和物品特征列【包含特征名、特征最大值、embedding维度】；

• embed_reg：embedding的正则化参数；

分别建立用户嵌入层和物品嵌入层（由于考虑到特征可能包括多个，如用户id、性别、年龄，物品id、种类等，所以用户、物品嵌入信息分别以列表的形式保存）。

初始化如下所示：

class BPR(Model):
    def __init__(self, feature_columns, embed_reg=1e-6):
        """
        BPR
        :param feature_columns: A list. user feature columns + item feature columns
        :param embed_reg: A scalar.  The regularizer of embedding.
        """
        super(BPR, self).__init__()
        # feature columns
        self.user_fea_col, self.item_fea_col = feature_columns
        # field num
        self.user_field_num = len(self.user_fea_col)
        self.item_field_num = len(self.item_fea_col)
        # user embedding layers [id, age,...]
        self.embed_user_layers = [Embedding(input_dim=feat['feat_num'],
                                            input_length=1,
                                            output_dim=feat['embed_dim'],
                                            embeddings_initializer='random_uniform',
                                            embeddings_regularizer=l2(embed_reg))
                                  for feat in self.user_fea_col]
        # item embedding layers [id, cate_id, ...]
        self.embed_item_layers = [Embedding(input_dim=feat['feat_num'],
                                           input_length=1,
                                           output_dim=feat['embed_dim'],
                                           embeddings_initializer='random_uniform',
                                           embeddings_regularizer=l2(embed_reg))
                                 for feat in self.item_fea_col]

2、具体结构

（1）模型的输入为三元组的形式：(user_inputs, pos_inputs, neg_inputs)；

（2）用户embedding、正、负样本embedding分别将对应的所有稀疏特征embedding平均池化后得到的；

（3）分别计算正、负样本得分；

「（4）在TF2.0中，Model类继承了tf.keras.layers.Layer」，因此包含add_loss方法，因此通过add_loss在模型结构中加入损失；

tf.keras.layers.Layer：

（5）返回正负样本分数；

模型构建如下：