具有固定项矩阵的 PyTorch 矩阵分解

问题描述

我通过使用 PyTorch 矩阵分解将矩阵分解为两个矩阵 P 和 Q 来估计用户-项目矩阵中的评分。我得到了我的损失函数 L(X-PQ)。

假设 X 的行对应于用户，而 x 是新用户的行，因此新的 X 是 X 与 x 连接。 现在我想最小化 L(X' - P'Q) = L(X - PQ) + L(x - x_pQ)。因为我已经训练了 P 和 Q。 我想训练 x_p 这是新用户的行，但保持 Q 固定。

所以我的问题是，在 PyTorch 中有没有办法用固定的 MatrixFactorization 为 P 训练 Q 模型？

我正在使用的代码：

class MatrixFactorizationWithBiasXavier(nn.Module):
def __init__(self,num_people,num_partners,bias=(-0.01,0.01),emb_size=100):
    super(MatrixFactorizationWithBiasXavier,self).__init__()
    self.person_emb = nn.Embedding(num_people,emb_size)
    self.person_bias = nn.Embedding(num_people,1)
    self.partner_emb = nn.Embedding(num_partners,emb_size)
    self.parnter_bias = nn.Embedding(num_partners,1)
    torch.nn.init.xavier_uniform_(self.person_emb.weight)
    torch.nn.init.xavier_uniform_(self.partner_emb.weight)
    self.person_bias.weight.data.uniform_(bias[0],bias[1])
    self.parnter_bias.weight.data.uniform_(bias[0],bias[1])
        
def forward(self,u,v):
    u = self.person_emb(u)
    v = self.partner_emb(v)
    bias_u = self.person_bias(u).squeeze()
    bias_v = self.parnter_bias(v).squeeze()
    # calculate dot product
    # u*v is a element wise vector multiplication
    return torch.sigmoid((u*v).sum(1) + bias_u + bias_v)

def test(model,df_test,verbose=False):
model.eval()
# .to(dev) puts code on either gpu or cpu.
people = torch.LongTensor(df_test.id.values).to(dev)
partners = torch.LongTensor(df_test.pid.values).to(dev)
decision = torch.FloatTensor(df_test.decision.values).to(dev)
y_hat = model(people,partners)
loss = F.mse_loss(y_hat,decision)
if verbose:
    print('test loss %.3f ' % loss.item())
return loss.item()

def train(model,df_train,epochs=100,learning_rate=0.01,weight_decay=1e-5,verbose=False):
optimizer = torch.optim.Adam(model.parameters(),lr=learning_rate,weight_decay=weight_decay)
model.train()

for epoch in range(epochs):
    # From numpy to PyTorch tensors.
    # .to(dev) puts code on either gpu or cpu.
    people = torch.LongTensor(df_train.id.values).to(dev)
    partners = torch.LongTensor(df_train.pid.values).to(dev)
    decision = torch.FloatTensor(df_train.decision.values).to(dev)
    
    # calls forward method of the model
    y_hat = model(people,partners)
    # Using mean squared errors loss function
    loss = F.mse_loss(y_hat,decision)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if verbose and epoch % 100 == 0: 
        print(loss.item())

解决方法

找到了解决办法。 原来我可以在我的嵌入（伙伴 emb，那是我的 Q）上注册一个钩子（我想保持固定），这样它就会说它的梯度为零。

mask = torch.zeros_like(mf_model.partner_emb.weight)
mf_model.partner_emb.weight.register_hook(lambda grad: grad*mask)