从这个结果来看，好像并没有论文里那么好

[yinchunhui-ahu]

在我的电脑上跑15次迭代后HR和NDCG就=1，实验的结果也没有原文中那么好，想请问下原因

[yinchunhui-ahu]

感谢回复。 1可能是我的过拟合了，在我加入正则化后消失了。​ 这篇DMF是在[He etc ]Neural collaborative filtering.WWW, 2017基础上改进得到的，个人认为存在很多问题 ，比如对于损失函数的选择。好像深度学习的性能与初始化有很大关系​，我模型中参数和论文中一样，效果还不如NeuCF，可能是预训练的原因吧，我还没有看过许多pair-wise的文章，我之后会往这个方向看点文章，到时候再交流一下 ------------------ 原始邮件 ------------------​ =1???怎么可能？？我自己按论文实现的结果也很不好，调了很久参数也不行，跟浅层方法如BPR比都差的很远。老实说我有点怀疑论文结果，发了邮件给作者要代码也不回。难道作者有什么特殊的优化技巧？？？就两层网络，实在也看不出还能如何优化，dropout各类active function, batch size, step size, optimizer都试过了，差的很远。其实我觉得针对排序的算法如果不是pair-wise这种，效果比较难提高。WRMF虽然是point-wise的，但效果挺好，可惜计算慢。

[Coder-Yu]

不开源的论文，就不用较真了，我现在看得开了。本来就是一个很简单的方法，想试试看还行的话拿来做baseline，结果调了很久都不行。放弃了

[Coder-Yu]

发现了一点问题，论文里面的测试策略不怎么可靠，他是默认留一验证的时候正样本可以排到前100，而不去排序所有项目。明明用的数据集不大，非要argue time-consuming to rank every item. 真是尴尬。而且这篇文章竟然把1分的项目和5分的项目都作为训练集和测试集，通常做top-n的时候，5分制的评分数据集只会使用4分及其以上的评分。可以说这篇文章漏洞很多，实验设置错误，模型并无多大创新。IJCAI的IR track真是一年不如一年。

[yinchunhui-ahu]

是的，我也注意到了，有的文章说，y^输出是具体评分，一般损失函数会设计成MSE/MAE,但他仍用交叉熵，我估计实验结果在全局上不好他才这样说的，这篇文章创新点就在损失函数和输入Embedding。 我现在想把它迁移到别的推荐领域,LOSS用MSE来预测评分，我看看效果怎么样

[chenjindong]

1. 请问论文中的输入embedding矩阵是trainable的，还是固定的？
2. 我觉得论文中的normalized cross entropy loss不合理，完全没法解释这个loss。 以movieLen数据集为例，Y=1或0的时候没什么问题，但Y=2,3,4的时候无法解释着个loss，感觉不合理。

[RuidongZ]

1.Embedding 我个人觉得应该是固定的 这样能够解释 但是实际中可能会让它Trainable，效果相对会好
2. 我记得他的Y会根据个人评分的最大值进行normalized 可能是针对用户的评分区间不一样做的个性化的一个归一化 最终的结果都是缩放到0-1

[chenjindong]

2. 我记得他的Y会根据个人评分的最大值进行normalized 可能是针对用户的评分区间不一样做的个性化的一个归一化 最终的结果都是缩放到0-1
   这个我理解。传统二分类的交叉熵ylogy'+(1-y)log(1-y')，一般正样本时，后一项为0；负样本时，前一项为0，但是这篇paper中当Y=2,3,4（对应的normalized值为2/5,3/5,4/5），前后两项都不为0，这个有点怪，你觉得呢

[yinchunhui-ahu]

WWW的NeuCF是预测0-1二分类问题，所以选择二值交叉熵作为Loss,而DMF则是预测评分，也就是回归问题，为了使用原Loss而进行的归一化，我也觉得不合理

[RuidongZ]

WWW的NeuCF是预测0-1二分类问题，所以选择二值交叉熵作为Loss,而DMF则是预测评分，也就是回归问题，为了使用原Loss而进行的归一化，我也觉得不合理

首先这个不是回归预测分数的问题吧 评价标准是HR 和 NDCG，是对一个电影的偏好 0-1的二值问题

[hongxin001]

在我加入正则化后消失了

你好，我也遇到了Nan的问题，你是怎么加的正则呢？

[yinchunhui-ahu]

对网络的W权重加L2正则化。具体来说使用Tensorflow的tf.contrib.layers.l2_regularizer 和tf.add_to_collection。

[hongxin001]

@ChunhuiYin 这个项目代码里有参数正则的代码，不过注释掉了，是有什么问题？

        regLoss = tf.add_n([tf.nn.l2_loss(v) for v in tf.trainable_variables()])
        self.loss = loss + self.reg * regLoss

[hongxin001]

@ChunhuiYin 另外，加入正则以后你最好的效果可以到多少呀？

[yinchunhui-ahu]

@w821881341 注释你得问问项目作者，效果并没有好太多，只是不会出现Nan。

[yinyajun]

感谢回复。 1可能是我的过拟合了，在我加入正则化后消失了。​ 这篇DMF是在[He etc ]Neural collaborative filtering.WWW, 2017基础上改进得到的，个人认为存在很多问题 ，比如对于损失函数的选择。好像深度学习的性能与初始化有很大关系​，我模型中参数和论文中一样，效果还不如NeuCF，可能是预训练的原因吧，我还没有看过许多pair-wise的文章，我之后会往这个方向看点文章，到时候再交流一下 ------------------ 原始邮件 ------------------​ =1???怎么可能？？我自己按论文实现的结果也很不好，调了很久参数也不行，跟浅层方法如BPR比都差的很远。老实说我有点怀疑论文结果，发了邮件给作者要代码也不回。难道作者有什么特殊的优化技巧？？？就两层网络，实在也看不出还能如何优化，dropout各类active function, batch size, step size, optimizer都试过了，差的很远。其实我觉得针对排序的算法如果不是pair-wise这种，效果比较难提高。WRMF虽然是point-wise的，但效果挺好，可惜计算慢。

你好，请问你做BPR的时候movielen1M的ndcg@10或者是hit@10能达到什么水平？我自己做的话，在mv-1m上，BPR的ndcg@10达到0.41左右，但是收敛很慢。而W-ALS（spark mllib）能有0.42左右。pair-wise还不如point-wise，有什么特殊的技巧吗?BPR收敛太慢了。