END4Rec (MindSpore)

本仓库提供论文 Efficient Noise-Decoupling for Multi-Behavior Sequential Recommendation (WWW 2024) 的 MindSpore 实现代码。

• 论文（arXiv）：https://arxiv.org/abs/2403.17603
• 论文（ACM DOI）：https://doi.org/10.1145/3589334.3645380

1. 论文简介

END4Rec 面向多行为序列推荐场景，核心目标是同时解决两类问题：

1. 多行为序列变长后建模效率下降；
2. 多行为数据中的噪声会干扰用户兴趣建模。

论文提出三部分关键设计：

• EBM (Efficient Behavior Sequence Miner)：在频域建模行为序列，兼顾效率与表达能力；
• 行为感知去噪模块：包含 token 级的硬噪声消除与表征级的软噪声过滤；
• Noise-Decoupling Contrastive Learning + 4阶段训练策略：逐步提升信号/噪声解耦效果。

2. 代码结构（与实现对应）

End4Rec/
├── run.py                # 训练入口（CLI）
├── train.py              # 主训练流程与配置加载
├── trainer.py            # 4-stage 训练调度
├── model.py              # END4Rec 模型主体
├── ebm_enhanced.py       # EBM 相关实现
├── block_mlp.py          # 模块层定义
├── losses.py             # 推荐损失 + 对比损失 + 正则
├── contrastive_loss.py   # 对比学习损失
├── data.py / dataset.py  # 数据读取与构建
└── evaluation.py         # HR / NDCG 评估

3. 环境准备

建议环境：

• Python 3.9+
• MindSpore（建议与本机 CUDA/Ascend 环境匹配）

快速检查：

cd End4Rec
python -c "import mindspore; print(mindspore.__version__)"

4. 数据格式

训练 CSV 需包含以下字段：

• item_ids：逗号分隔的 item 序列
• behavior_ids：逗号分隔的行为类型序列
• positions：位置序列
• label：目标 item

示例：

item_ids,behavior_ids,positions,label
10,11,23,42

注：实际训练中 item_ids/behavior_ids/positions 应为等长序列（如 10,11,23,...）。

5. 快速开始

5.1 默认配置（快速跑通）

cd End4Rec
python run.py

若未提供数据文件，代码会自动回退到 dummy 数据生成器以完成完整训练流程。

5.2 使用自定义配置

cd End4Rec
python run.py --config config.json

config.json 可覆盖的常用参数包括：

• 模型参数：num_items、num_behaviors、seq_length、d_model、num_blocks、epsilon
• 训练参数：batch_size、stage1~4_epochs、learning_rate_stage1~4
• 损失权重：reg_weight、contrast_weight
• 数据参数：train_data_file、eval_data_file、num_dummy_samples
• 评估参数：topk

6. 训练流程（4 Stages）

当前实现对应四阶段训练：

1. embedding + ebm
2. hard_noise
3. soft_noise
4. 全模块联合微调（含 output_layer）

7. 评估与产物

• 若提供 eval_data_file，训练后会输出 HR@K 与 NDCG@K；
• 默认在训练结束后保存模型为：End4Rec/end4rec_final.ckpt。

8. 引用

如果你的工作使用了本仓库，请引用原论文：

@inproceedings{han2024efficient,
  title={Efficient Noise-Decoupling for Multi-Behavior Sequential Recommendation},
  author={Han, Yongqiang and Wang, Hao and Wang, Kefan and Wu, Likang and Li, Zhi and Guo, Wei and Liu, Yong and Lian, Defu and Chen, Enhong},
  booktitle={Proceedings of the ACM Web Conference 2024 (WWW '24)},
  year={2024},
  doi={10.1145/3589334.3645380}
}