SASRecF predict的计算方式

[hlyu9]

大佬们好，想请教一下为什么在SASRecF的predict()和full_sort_predict()里面，最后的计算方式是

seq_output = self.forward(item_seq, item_seq_len)
test_items_emb = self.item_embedding.weight
scores = torch.matmul(seq_output, test_items_emb.transpose(0, 1))  # [B, item_num]

只用了self.item_embedding的weights，而并没有像forward()里面一样结合self.feature_embed_layer里面的feature embedding呀？我以为既然在训练中是把feature_embedding和item_embedding给concat到一起后，再和position_embedding相加的，那最后预测的时候用的weights也应该是concat到一起再过linear层的结果？谢谢！

[Sherry-XLL]

@hlyu9 您好，可能您对 RecBole 的训练框架有一点误解，forward 并不是一般 PyTorch 的前向传播函数，也不只被用于训练过程中。在 RecBole 的 Trainer 中，训练时计算损失的函数实际上是 calculate_loss：

RecBole/recbole/trainer/trainer.py

Lines 167 to 168 in 896155c

	self.model.train()
	loss_func = loss_func or self.model.calculate_loss

模型框架里的 forward 你可以把它理解为对 item_seq 进行编码的函数，通过 seq_output = self.forward(item_seq, item_seq_len) 就得到了融合特征的序列输出。

SASRecF 结合 self.feature_embed_layer 的方式是通过 forward 加入 feature embedding，从而对用户的历史交互序列，也就是 item_seq 结合特征进行编码，编码之后用得到的 seq_output 与 item_emedding 的内积作为物品的得分。

无论是训练过程还是测试过程，和 seq_output 相乘的都是 self.item_embedding 的权重。也就是说，predict 和 full_sort_predict 中的 test_items_emb = self.item_embedding.weight 对应的是训练过程中计算损失函数 calculate_loss 里的如下操作：

RecBole/recbole/model/sequential_recommender/sasrecf.py

Lines 137 to 138 in 896155c

	pos_items_emb = self.item_embedding(pos_items)
	neg_items_emb = self.item_embedding(neg_items)

RecBole/recbole/model/sequential_recommender/sasrecf.py

Line 144 in 896155c

test_item_emb = self.item_embedding.weight

[hlyu9]

现在明白了，谢谢大佬！