单独使用douban_imdb训练确实有效果，但是因为是国外的数据集，国外电影占绝大部分，国内电影推荐效果非常差。
douban_csdn数据集最稀疏，训练不出效果，mtime、douban_openkg指标还行，单独来用item太少。因此拟将这三个数据集混合在一起。
douban_imdb电影频数往往达到五六万往上，其他数据集的频数比较而言太小了，需要删除douban_imdb的部分行。于是，我将所有数量大于1000的item，随机删除记录，只保留（500 + len(group) // 50）行。
if dataset == 'douban_imdb': df = pd.DataFrame() for iid, group in tqdm(data.groupby('iid')): if len(group) > 1000: left = np.random.choice(group.index.tolist(), 500 + len(group) // 50, replace=False) df = df.append(group.loc[left]) else: df = df.append(group) data = df del df`这里使用的是分组，注意遍历的不能是iid，不然每次都得查询，速度很慢（30min->5min）。
原数据集
Datasetsall the clicksall the itemsall the usersdensitydouban_imdb9,130,04310,634162,2240.53%mtime103,39313,45513,8350.06%douban_openkg424,7991,10064,7590.60%划分sess之后
Datasetsall the clicksall the itemstrain sessionstest sessionstrain avg.lengthdouban_imdb946,0356,865692,84784,39615.3mtime9,3673,23361661,06714.9douban_openkg16,74589610,0972,2164.3mix972,14710,692709,11087,6794.3mix最后能跑到recall@20 27%，mrr@20 9%，和douban_imdb差不多
因为NARM得到的session representation是global和local的拼接，维度是2*hidden size，即最初输入的两倍。为了使其作为新的用户表示存入数据库，需要调整维度。
一种方法是，对于 R 2 ∣ H ∣ R^{2|H|} R2∣H∣空间中串联的 c t c_t ct（注：为方便表示，这里 ∣ H ∣ {|H|} ∣H∣是原论文的1/2），再经过一个线性变换到 R ∣ H ∣ R^{|H|} R∣H∣空间中（类似于多模态的做法），即 u = W c t \begin{aligned} u = Wc_t \end{aligned} u=Wct
第二种方法是，原论文在最后计算scores时，先将 R ∣ D ∣ R^{|D|} R∣D∣的emb映射到 R ∣ H ∣ R^{|H|} R∣H∣， 事实上是 S i = ( B T e m b i ) T c t S_i = (\pmb{B^T}emb_i)^Tc_t Si=(BTBTBTembi)Tct
我们也可以先映射会话表示，即 S i = e m b i T ( B c t ) S_i = emb_i^T(\pmb{B}c_t) Si=embiT(BBBct)，于是将 c t c_t ct映射到 R ∣ D ∣ R^{|D|} R∣D∣上。存入数据库也即 ∣ D ∣ |D| ∣D∣维，在输入时，借鉴GGNN的做法，用0扩展为|H|维。 当然，第二种方法会带来一定的损失，第一种方法增加了复杂度，都有缺点。
先在diginetica数据集上进行实验，查看效果。
Recall@20MRR@20 N A R M o r i g i n NARM_{origin} NARMorigin53.1518.22 N A R M l i n e a r NARM_{linear} NARMlinear52.1918.19 N A R M l i n e a r − b i a s NARM_{linear-bias} NARMlinear−bias52.7918.10 N A R M H 2 D NARM_{H2D} NARMH2D53.1618.23可以看到差别不大，但加一层linear（第一种方法）效果有所下降，先映射（第二种）几乎没有变化（数学上一致的）。
第二种方法还可以减少硬盘占用，因此采取该方法。
