机器学习课程大作业代码 - BSPM模型复现

项目概述

本项目是机器学习课程期末大作业的代码实现部分。我们选择了BSPM(Blurring-Sharpening Process Model)模型进行复现，该模型是一种创新的协同过滤推荐算法，通过常微分方程实现推荐系统的扰动-恢复架构。

BSPM模型简介

BSPM是一种基于常微分方程的协同过滤推荐算法，采用扰动-恢复架构：

• 模糊过程：对用户-物品交互矩阵进行平滑处理，模拟信息在图上的聚合
• 锐化过程：逆转平滑效果，提取用户个性化特征，增强长尾物品推荐能力

核心优势

• 无需训练 - 不涉及反向传播，推理速度极快
• 连续时间建模 - 使用常微分方程（欧拉法/RK4）进行精确求解
• 高准确率 - 在多个数据集上达到或超过传统图卷积模型的效果
• 高可解释性 - 基于数学公式，具有明确的物理意义

原论文信息

• 论文标题：Blurring-Sharpening Process Models for Collaborative Filtering
• 原论文地址：Choi J, Hong S, Park N, et al. (2023)

技术框架

本项目基于 ReChorus 框架进行开发，该框架专门用于推荐系统算法的复现和对比。

• ReChorus框架GitHub链接：https://github.com/THUwangcy/ReChorus
• 我们在框架基础上实现了BSPM算法，并进行了以下优化：
  • 使用PyTorch稀疏矩阵减少显存占用
  • 设计缓存机制提升重复推理速度
  • 重新组织矩阵运算降低内存压力

运行方式

基本命令

python src/main.py --model_name BSPM --workers 4 --train 0 --dataset Grocery_and_Gourmet_Food

支持的数据集

• Grocery_and_Gourmet_Food - Amazon 食品类商品数据集
• MovieLens_1M - 电影评分数据集