下面是一個簡單的使用 PyTorch 實現的汽車推薦算法的示例代碼。這個示例實現了一個簡單的基于用戶-物品協同過濾的推薦系統：
import torch
import torch.nn as nn
import torch.optim as optim
# 假設有5個用戶和10輛汽車
num_users = 5
num_items = 10
embedding_dim = 5
# 創建用戶和物品的嵌入矩陣
user_embedding = nn.Embedding(num_users, embedding_dim)
item_embedding = nn.Embedding(num_items, embedding_dim)
# 模拟用戶和物品的交互數據（用戶ID，物品ID，評分）
interactions = torch.tensor([[0, 1, 4.0],
[1, 2, 3.0],
[2, 0, 5.0]], dtype=torch.float)
# 定義模型
class Recommender(nn.Module):
def __init__(self, num_users, num_items, embedding_dim):
super(Recommender, self).__init__()
self.user_embedding = nn.Embedding(num_users, embedding_dim)
self.item_embedding = nn.Embedding(num_items, embedding_dim)
def forward(self, user_ids, item_ids):
user_emb = self.user_embedding(user_ids)
item_emb = self.item_embedding(item_ids)
# 計算用戶和物品之間的内積作爲預測評分
preds = torch.sum(user_emb * item_emb, dim=1)
return preds
# 初始化模型和優化器
model = Recommender(num_users, num_items, embedding_dim)
optimizer = optim.Adam(model.parameters(), lr=0.01)
# 訓練模型
for epoch in range(100):
optimizer.zero_grad()
user_ids = interactions[:, 0].long()
item_ids = interactions[:, 1].long()
ratings = interactions[:, 2]
preds = model(user_ids, item_ids)
loss = nn.MSELoss()(preds, ratings)
loss.backward()
optimizer.step()
print(f'Epoch {epoch+1}, Loss: {loss.item()}')
# 使用模型進行推薦
user_id = torch.tensor([0])
item_ids = torch.arange(num_items)
predicted_ratings = model(user_id, item_ids)
print('Predicted ratings for user 0:')
print(predicted_ratings)
這段代碼演示了一個簡單的基于用戶-物品協同過濾的推薦系統，使用了用戶和物品的 Embedding 層來學習用戶和物品的表示。在訓練過程中，模型嘗試預測用戶與物品之間的交互評分，并通過均方誤差損失函數進行優化。最後，使用訓練好的模型進行推薦時，可以輸入用戶ID，得到對所有物品的預測評分。
