GRU4Rec

GRU4Rec 把用户历史看成一个序列。

早期协同过滤通常不管顺序。GRU4Rec 把问题从“这个用户总体喜欢什么”改成“看完最近这些电影后，下一部可能是什么”。它用循环神经网络，通常是 GRU，在每看完一个物品后更新隐藏状态。

在 MovieLens 上，先按 timestamp 排列每个用户的评分记录。输入是一段已经看过或喜欢过的电影，目标是下一部电影。因为全量预测所有电影很贵，可以用负采样训练。

第一版可以限制序列长度，必要时也可以先用较小的电影集合。调试时打印：历史电影、真实下一部电影、模型推荐的前几部电影。序列模型一定要看顺序，否则很难判断错在哪里。

flowchart LR
  A[电影 A] --> H1[隐藏状态 1]
  B[电影 B] --> H2[隐藏状态 2]
  C[电影 C] --> H3[隐藏状态 3]
  H3 --> N[预测下一部电影]

GRU4Rec 的隐藏状态可以理解成“用户当前兴趣的压缩表示”。每输入一部电影，隐藏状态都会更新。模型最后用这个状态预测下一部电影。

在 MovieLens 上，一条训练样本可以是：

输入序列	目标
The Matrix, Inception	Interstellar

常见坑是把用户历史打乱。GRU4Rec 依赖顺序，一旦打乱，它就退化成很别扭的普通协同过滤。

运行

默认全量运行：

./05-sequential-recommendation/gru4rec/run.sh --sample-ratings none --num-workers 8 --save-checkpoints --checkpoint-every 0

【非主线】想先快速试跑：

./05-sequential-recommendation/gru4rec/run.sh --sample-ratings 2000000 --num-workers 8 --save-checkpoints --checkpoint-every 0

默认命令只保存 checkpoints/best.pt。报告会写入验证指标、测试指标、序列样例和 checkpoint 大小。