Self-Attentive Sequential Recommendation
创新：结合自注意力的序列推荐
原文笔记：https://mp.weixin.qq.com/s/cRQi3FBi9OMdO7imK2Y4Ew
采用ml-1m数据集进行测试，将其处理为用户序列。数据集的处理见utils文件。
class SASRec(tf.keras.Model):
def __init__(self, item_feat_col, blocks=1, num_heads=1, ffn_hidden_unit=128,
dropout=0., maxlen=40, norm_training=True, causality=False, embed_reg=1e-6):
"""
SASRec model
:param item_feat_col: A dict contains 'feat_name', 'feat_num' and 'embed_dim'.
:param blocks: A scalar. The Number of blocks.
:param num_heads: A scalar. Number of heads.
:param ffn_hidden_unit: A scalar. Number of hidden unit in FFN
:param dropout: A scalar. Number of dropout.
:param maxlen: A scalar. Number of length of sequence
:param norm_training: Boolean. If True, using layer normalization, default True
:param causality: Boolean. If True, using causality, default True
:param embed_reg: A scalar. The regularizer of embedding
"""- file：Amazon Electronic文件；
- trans_score：ml-1m分数转换，
1； - maxlen：最大序列长度，
200； - test_neg_num：测试集物品数量，
100； - embed_dim：Embedding维度，
50； - blocks：block的个数，
2； - num_heads：几头注意力，
1； - ffn_hidden_unit：FFN的隐藏单元，
64； - dropout：
0.5； - norm_training：是否使用Layer Normalization，
True； - causality：是否使用，
False； - K：评价指标的@K，
10； - learning_rate：学习率，
0.001； - epoch：
30； - batch_size：
512；
采用ml-1m数据集数据，最终测试集的评估结果为：HR@10 = 0.8116, NDCG@10 = 0.5592，HR与原文实验结果相差0.0129。