12. ENSFM (Eicient Non-Sampling Factorization Machines for Optimal Context-Aware Recommendation)¶

代码请参考：ENSFM如果我们的代码对您有用，还请点个star啊~

12.1. 内容¶

模型简介
数据准备
运行环境
快速开始
模型组网
效果复现
进阶使用
FAQ

12.2. 模型简介¶

ENSFM 是一个只有一层预测层的浅 FM 模型，跟 DeepFM, CFM 相比在复杂度和参数量上都更少，却在模型效果上表现显著的优势。结果验证了论文Eicient Non-Sampling Factorization Machines for Optimal Context-Aware Recommendation的观点：负采样策略并不足以使模型收敛到最优。与之相比，非采样学习对于优化 Top-N 推荐任务是非常有效的。

12.3. 数据准备¶

本模型使用论文中的数据集ml-1m（即MovieLens数据集）、lastfm和frappe

12.4. 运行环境¶

PaddlePaddle>=2.0

python 2.7/3.5/3.6/3.7

os : windows/linux/macos

12.5. 快速开始¶

本文提供了样例数据可以供您快速体验，在任意目录下均可执行。在ncf模型目录的快速执行命令如下：

# 进入模型目录
# cd models/recall/ensfm # 在任意目录均可运行
# 动态图训练
python -u ../../../tools/trainer.py -m config.yaml # 全量数据运行config_bigdata.yaml 
# 动态图预测
python -u infer.py -m config.yaml 

12.6. 模型组网¶

模型的总体结构如下：

12.7. 效果复现¶

为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。在全量数据下模型的指标如下：

模型	HR@5	HR@10	batch_size	epoch_num	Time of each epoch
ENSFM	0.058	0.1	512	500	约2分钟

确认您当前所在目录为PaddleRec/models/recall/ensfm
进入paddlerec/datasets/ml-1m_ensfm
执行该脚本，会从国内源的服务器上下载我们预处理完成的movielens全量数据集，并解压到指定文件夹。

cd ../../../datasets/movielens_pinterest_NCF
sh run.sh

cd - # 切回模型目录
# 动态图训练并得到指标(这里需要使用bash启动脚本)
python -u ../../../tools/trainer.py -m config_bigdata.yaml
python -u infer.py -m config_bigdata.yaml