对于我们熟悉的图而言，它的一个边(edge）只能和两个顶点连接；而对于超图来讲，它的边(这里叫超边，hyperedge)可以和任意个数的顶点连接。每个边所包含的顶点个数都是相同且为k个的，就可以被称为k阶超图。2阶超图就是我们平时所见到的图，因为我们平时的图由线条(edge，边)和点(vertice，顶点)构成，每条线都只包含两个点，所以这是符合2阶超图的定义的。超边的构建，将具有同一个属性的样本

InfoNCELoss是为了将N个样本分到K个类中，K

InfoNCELoss是为了将N个样本分到K个类中，K

movielens数据集是电影推荐数据集，数据集有多种大小和目的使用的数据集。按照使用目的可以分为两类，一类数据集适用于推进最新研究的数据，一类数据集是用于高校研究和教育科研使用的数据集。本次介绍三个数据集的使用和处理。......

对于我们熟悉的图而言，它的一个边(edge）只能和两个顶点连接；而对于超图来讲，它的边(这里叫超边，hyperedge)可以和任意个数的顶点连接。每个边所包含的顶点个数都是相同且为k个的，就可以被称为k阶超图。2阶超图就是我们平时所见到的图，因为我们平时的图由线条(edge，边)和点(vertice，顶点)构成，每条线都只包含两个点，所以这是符合2阶超图的定义的。超边的构建，将具有同一个属性的样本

一、函数参数# 数据增强# ImageDataGenerator（#rescale=所有数据集将乘以该数值,#rotation_range=随即旋转角度数范围,#width_shift_range=随即宽度偏移量,#height_shift_range=随即高度偏移量,#horizontal_flip=是否随机水平翻转,#zoom_range=随机缩放的范围 -> [1-n,1+n]）#该函

一、借助pandas库来控制窗口的显示：import pandas as pdpd.set_option('display.max_rows', 500)pd.set_option('display.max_columns', 100)pd.set_option('display.width', 1000)在要输出数据之前按如上方式设置，'display.max_rows’是设置输出窗口显示的最多

在常规的推荐系统统计算法中，我们通常是通过现有数据集去计算获取用户对所有商品的得分，但大多情况下我们只需要关系极少数的商品的优先级，而不是所有的商品的排序，并且一些基于矩阵分解和KNN的推荐算法，是没有对排序方法进行优化的，而BPR损失函数能够满足我们的需求。（1）BPR的出发点是优化用户对商品的偏好排序，这使得它可以和其他推荐系统方法合并使用。（2）通过用户商品评分矩阵的分解实现类似于embed

lightGCN是将图卷积神经网络应用于推荐系统当中，是对神经图协同过滤（NGCF）算法的优化和改进。lightGCN相比于其对照算法提升了16%左右，在介绍lightGCN之前应该知道NGCF的基本原理。首先，协同过滤的基本假设是相似的用户会对物品展现出相似的偏好，自从全面进入深度学习领域之后，一般主要是先在隐空间中学习关于user和item的embedding，然后重建两者的交互即intera