以下是本例的简要目录结构及说明：
├── data # 样例数据
├── ratings.txt
├── trusts.txt
├── __init__.py
├── config.yaml # sample 数据配置
├── config_bigdata.yaml # 全量数据配置
├── dygraph_model.py # 构建动态图
├── infer.py # 评估函数
├── lastfm_reader.py # 数据读取函数
├── net.py # 模型核心组网（动静统一）
├── README.md # 文档
注：在阅读该示例前，建议您先了解以下内容：
Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
在推荐系统中，当 user 与 item 的交互数据稀疏时，社交关系常常用来提高推荐质量。大多数现有的社会推荐模型 (Social Recommendation) 利用配对关系来挖掘潜在的用户偏好。然而，现实生活中的用户交互是非常复杂的，用户关系可能是高阶的。超图(Hypergraph) 为复杂的高阶关系提供了一种自然的建模方式， 而它在改善社会推荐方面的潜力却没有被充分发掘。在本文中，我们填补了这一空白，并提出了一个多通道超图卷积网络，通过利用高阶用户关系来提高社交推荐。从技术上讲，网络中的每个通道都编码了一个超图，通过超图卷积网络描述了一个共同的高阶用户关系图。通过聚合多个通道学习的嵌入向量，可以获得全面的用户表示， 从而产生推荐结果。然而，聚合操作也可能掩盖了不同类型的高阶连接信息的固有特征。为了弥补聚合的损失，创新性地将自我监督学习整合到超图聚合网络的训练中，以分层互信息最大化的方式重新获得连接信息。
以上两图分别展示了超图的组成类型及 MHCN 的网络结构。
@inproceedings{yu2021self,
title={Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation},
author={Yu, Junliang and Yin, Hongzhi and Li, Jundong and Wang, Qinyong and Hung, Nguyen Quoc Viet and Zhang, Xiangliang},
booktitle={Proceedings of the Web Conference 2021},
pages={413--424},
year={2021}
}
论文使用了 3 个常见的公开的社交推荐数据集，LastFM、Douban、Yelp, 这里以 LastFM
数据为例进行复现。该数据集包含文件如下：
* artists.dat
This file contains information about music artists listened and tagged by the users.
* tags.dat
This file contains the set of tags available in the dataset.
* user_artists.dat
This file contains the artists listened by each user.
It also provides a listening count for each [user, artist] pair.
* user_taggedartists.dat - user_taggedartists-timestamps.dat
These files contain the tag assignments of artists provided by each particular user.
They also contain the timestamps when the tag assignments were done.
* user_friends.dat
These files contain the friend relations between users in the database.
MHCN 在 github 上开源了其处理好的数据集，包括 ratings.txt 和 trusts.txt
两个文件，下载地址: https://github.com/Coder-Yu/QRec/blob/master/dataset/lastfm 。
PaddlePaddle>=2.0
python 2.7/3.5/3.6/3.7
os : windows/linux/macos
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 mhcn 模型目录的快速执行命令如下：
# 进入模型目录
# cd models/recall/mhcn
# 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 (注意：这里 mhcn 评估指标较为复杂，没有集成到通用 tools/infer.py 中）
python infer.py -m config.yamlMHCN 网络结构见上图 2 所示，与 net.py 文件中代码一一对应。
原论文 MHCN 在 LastFM 数据集上 P@10、R@10、N@10 最佳结果分别为 20.052%、20.375%、0.24395，其 github 开源代码 issues 有反馈前两项指标稍低, NDCG@10 要稍高一些， 复现结果为 19.607%、19.914%、0.24459，但结果相对其他模型仍是最优的。
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 | P@10 | R@10 | N@10 | batch_size | epoch_num | Time of each epoch |
|---|---|---|---|---|---|---|
| MHCN | 20.063% | 20.452% | 0.24780 | 2000 | 120 | 约 15 分钟 |
- 确认您当前所在目录为 PaddleRec/models/recall/mhcn
- 进入 PaddleRec/datasets/LastFM_MHCN 目录下，执行该脚本，会从国内源的服务器上下载数据集，并解压到指定文件夹。
cd ../../../datasets/LastFM_MHCN
sh run.sh- 切回模型目录,执行命令运行全量数据
# 需要在 mhcn 目录下
# 动态图训练
python -u ../../../tools/trainer.py -m config_bigdata.yaml # 全量数据运行 config_bigdata.yaml
python -u infer.py -m config_bigdata.yaml # 全量数据运行 config_bigdata.yaml