import tensorflow as tf
from openrec.tf1.legacy.recommenders import BPR
from openrec.tf1.legacy.modules.interactions import PairwiseEuDist
class CML(BPR):
def _build_post_training_ops(self):
unique_user_id, _ = tf.unique(self._get_input('user_id'))
unique_item_id, _ = tf.unique(tf.concat([self._get_input('p_item_id'), self._get_input('n_item_id')], axis=0))
return [self._get_module('user_vec').censor_l2_norm_op(censor_id_list=unique_user_id),
self._get_module('p_item_vec').censor_l2_norm_op(censor_id_list=unique_item_id)]
def _build_interactions(self, train=True):
if train:
self._add_module('interaction',
PairwiseEuDist(user=self._get_module('user_vec').get_outputs()[0],
p_item=self._get_module('p_item_vec').get_outputs()[0],
n_item=self._get_module('n_item_vec').get_outputs()[0],
p_item_bias=self._get_module('p_item_bias').get_outputs()[0],
n_item_bias=self._get_module('n_item_bias').get_outputs()[0],
scope='PairwiseEuDist', reuse=False, train=True),
train=True)
else:
self._add_module('interaction',
PairwiseEuDist(user=self._get_module('user_vec', train=train).get_outputs()[0],
item=self._get_module('item_vec', train=train).get_outputs()[0],
item_bias=self._get_module('item_bias', train=train).get_outputs()[0],
scope='PairwiseEuDist', reuse=True, train=False),
train=False)
