Python 基于WALS方法的tensorflow2.0中的矩阵分解

我使用WALS方法来执行矩阵分解。最初在tensorflow 1.13中，我可以使用

from tensorflow.contrib.factorization.python.ops import factorization_ops 

如中所述

Wals模型可以通过使用

factorization_ops.WALSModel

在tensorflow 2.0中使用相同的命令时出现以下错误

ModuleNotFoundError:没有名为“tensorflow.contrib.Factoriation”的模块

在tensorflow 2.0+中使用WALSModel似乎没有出路

tensorflow发布更新中还提到，tf.contrib已被弃用，功能已迁移到核心tensorflow API、生态系统项目（如tensorflow/addons或tensorflow/io）或完全删除

---

如何在tensorflow 2.0中使用WALS模型（目前我在windows机器上使用2.0.0-rc0）？WALSModel是被删除了还是我遗漏了一些信息？

我想WALS已经被删除了。作为

tf.contrib

的一部分，TF2不支持它，我认为它不适合任何核心或子项目。 您最好的选择可能是将其作为第三方库提供

我希望在我的项目中使用它，但重新编写它的需要（主要是复制TF1中的内容，并使其作为与TF2兼容的独立库工作）降低了此任务的优先级

如果您开始编写代码，请告诉我们。谢谢

---

亚历克西斯。

我想沃尔斯已经被移除了。作为

tf.contrib

的一部分，TF2不支持它，我认为它不适合任何核心或子项目。 您最好的选择可能是将其作为第三方库提供

我希望在我的项目中使用它，但重新编写它的需要（主要是复制TF1中的内容，并使其作为与TF2兼容的独立库工作）降低了此任务的优先级

如果您开始编写代码，请告诉我们。谢谢

---

亚历克西斯。

我也有同样的问题，但不幸的是，我自己没有时间编写库。我正在考虑几种可能的选择：

坚持使用TF1.X，直到有人创建了一个库

切换到使用lightfm以继续使用WALS

切换到神经协同过滤，使用keras嵌入层和点积层。请参阅本文和此代码实现：

---

我也有同样的问题，但不幸的是我自己没有时间写一个库。我正在考虑几种可能的选择：

坚持使用TF1.X，直到有人创建了一个库

切换到使用lightfm以继续使用WALS

切换到神经协同过滤，使用keras嵌入层和点积层。请参阅本文和此代码实现：

---

我相信TF2.0中不支持WALS…官方推荐模型是

我希望这有帮助

---

M

我认为TF2.0不支持WAL…官方推荐模型是

我希望这有帮助

---

M

我将WALS的Tensorflow实现与其他实现在计算资源和精度方面进行了比较（）。比较表明隐式Python包（）是一个很好的替代品，它提供了优异的性能。

我已经将WALS的Tensorflow实现与其他实现在计算资源和准确性方面进行了比较（）。比较表明隐式Python包（）是一个很好的替代品，它提供了优异的性能。

谢谢这在另一方面会有帮助：）谢谢这在另一方面会有帮助：）是的，我正在考虑写这篇文章，以防他们会停止使用，因为我已经在TF1.13中部署了一篇。有一个相同的错误打开。等待他们最后的声明。看来我们意见一致。你想合作吗？是的，我想写这篇文章，以防他们会停止合作，因为我已经在TF1.13中部署了一个。有一个相同的错误打开。等待他们最后的声明。看来我们意见一致。你想合作吗？

from tensorflow.keras.layers import Input, Embedding, Flatten, Dot, Dense
from tensorflow.keras.models import Model
#import tensorflow.distribute

def get_compiled_model(n_users, n_items, embedding_dims=20):
    # Product embedding
    prod_input = Input(shape=[1], name="Item-Input")
    prod_embedding = Embedding(n_items+1, embedding_dims, name="Item-Embedding")(prod_input)
    prod_vec = Flatten(name="Flatten-Product")(prod_embedding)

    # User embedding
    user_input = Input(shape=[1], name="User-Input")
    user_embedding = Embedding(n_users+1, embedding_dims, name="User-Embedding")(user_input)
    user_vec = Flatten(name="Flatten-Users")(user_embedding)

    # The output is the dot product of the two, i.e. a one-hot vector
    dot_product = Dot(name="Dot-Product", axes=1)([prod_vec, user_vec])

    # compile - uncomment these two lines to make training distributed
    # dist_strat = distribute.Strategy()
    # with dist_strat.scope():
    model = Model(inputs = [user_input, prod_input], outputs = dot_product)
    model.compile(
        optimizer='adam',
        loss='mean_squared_error'
    )
    return model