链路预测任务中的网格搜索代码

链路预测是图论中的一个经典问题，在推荐系统等领域广泛应用，它的目标是基于部分已知边的信息预测未知边的存在。网格搜索在优化模型参数时可以用于链路预测，通常是在给定一组可能的超参数组合时，通过尝试每一种组合来寻找最优解。

下面是一个简单的Python示例，使用`sklearn.model_selection.GridSearchCV`进行网格搜索，假设我们有一个基于随机森林的链路预测模型（例如Surprise库的SVD++）：

from sklearn.model_selection import GridSearchCV
from surprise import SVDpp
from surprise import Dataset
from surprise import Reader

# 创建数据集实例
reader = Reader(rating_scale=(1, 5))
data = Dataset.load_from_df(df[['user_id', 'item_id', 'rating']], reader)

# 定义参数网格
param_grid = {'n_factors': [10, 20, 30],
              'lr_all': [0.001, 0.01, 0.1]}

# 初始化模型
model = SVDpp()

# 创建GridSearchCV实例
grid_search = GridSearchCV(model, param_grid, measures=['RMSE'], cv=5)

# 训练并找最优参数
grid_search.fit(data.build_full_trainset())

# 获取最佳参数和相应的性能指标
best_params = grid_search.best_params_
best_rmse = grid_search.best_score['RMSE']

print(f"Best parameters: {best_params}")
print(f"Best RMSE: {best_rmse}")