PyTorch矩阵分解嵌入误差

Question

我正在尝试使用单个隐藏层NN来执行矩阵分解。一般来说，我试图解决一个张量，V，维度为9724x300，其中库存中有9724个项目，300是潜在特征的任意数量。

我拥有的数据是一个9724x9724矩阵，X，其中的列和行表示相互点赞的数量。(例如，X0,1表示同时喜欢项目0和项目1的用户总数。对角线条目并不重要。

我的目标是使用MSE损失，这样Vi，：on Vj，：转置的点积就非常非常接近Xi，j。

下面是我从下面的链接改编的代码。

https://blog.fastforwardlabs.com/2018/04/10/pytorch-for-recommenders-101.html

import torch
from torch.autograd import Variable

class MatrixFactorization(torch.nn.Module):
    def __init__(self, n_items=len(movie_ids), n_factors=300):
        super().__init__()

        self.vectors = nn.Embedding(n_items, n_factors,sparse=True)


    def forward(self, i,j):
        return (self.vectors([i])*torch.transpose(self.vectors([j]))).sum(1)

    def predict(self, i, j):
        return self.forward(i, j)

model = MatrixFactorization(n_items=len(movie_ids),n_factors=300)
loss_fn = nn.MSELoss() 
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for i in range(len(movie_ids)):
    for j in range(len(movie_ids)):
    # get user, item and rating data
        rating = Variable(torch.FloatTensor([Xij[i, j]]))
        # predict
#         i = Variable(torch.LongTensor([int(i)]))
#         j = Variable(torch.LongTensor([int(j)]))
        prediction = model(i, j)
        loss = loss_fn(prediction, rating)

        # backpropagate
        loss.backward()

        # update weights
        optimizer.step()

返回的错误为：

TypeError: embedding(): argument 'indices' (position 2) must be Tensor, not list

我对嵌入非常陌生。我曾尝试将嵌入替换为简单的浮点张量，但是我定义的MatrixFactorization类没有将该张量识别为需要优化的模型参数。

有没有想过我哪里错了？

Answer 1

您正在将一个列表传递给self.vectors，

return (self.vectors([i])*torch.transpose(self.vectors([j]))).sum(1)

在调用self.vectors()之前尝试将其转换为张量