NFM推荐算法pytorch实现

以下是基于PyTorch实现的NFM推荐算法代码，供参考：

import torch
import torch.nn as nn
import torch.nn.functional as F

class NFM(nn.Module):
    def __init__(self, feature_dim, embedding_dim, hidden_dim, output_dim, dropout_prob):
        super().__init__()

        self.feature_dim = feature_dim
        self.embedding_dim = embedding_dim
        self.hidden_dim = hidden_dim
        self.output_dim = output_dim
        self.dropout_prob = dropout_prob
        
        self.embedding = nn.Embedding(feature_dim, embedding_dim)
        self.linear1 = nn.Linear(embedding_dim, hidden_dim)
        self.linear2 = nn.Linear(hidden_dim, output_dim)
        self.linear3 = nn.Linear(embedding_dim, output_dim)
        self.dropout = nn.Dropout(dropout_prob)
        
    def forward(self, x):
        # Embedding layer
        x_emb = self.embedding(x)
        
        # Bi-Interaction layer
        sum_square = torch.sum(x_emb, dim=1) ** 2
        square_sum = torch.sum(x_emb ** 2, dim=1)
        bi_interaction = 0.5 * (sum_square - square_sum)
        
        # MLP layer
        mlp_output = F.relu(self.linear1(self.dropout(bi_interaction)))
        mlp_output = self.linear2(self.dropout(mlp_output))
        
        # Output layer
        output = self.linear3(x_emb.mean(dim=1)) + mlp_output
        
        return output

其中，`feature_dim`为特征维度，`embedding_dim`为嵌入维度，`hidden_dim`为隐层维度，`output_dim`为输出维度，`dropout_prob`为dropout概率。

在模型的前向传播过程中，首先通过`nn.Embedding`层将输入的离散特征转化为嵌入向量，然后通过Bi-Interaction Layer计算二阶交叉特征，再通过MLP Layer进行非线性变换，最后将MLP输出和原始嵌入向量的平均值相加得到最终输出。

使用时，可以像以下代码一样初始化并训练模型：

# 初始化模型
model = NFM(feature_dim, embedding_dim, hidden_dim, output_dim, dropout_prob)

# 定义损失函数和优化器
criterion = nn.BCEWithLogitsLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    for inputs, targets in dataloader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()

其中，`feature_dim`、`embedding_dim`、`hidden_dim`、`output_dim`、`dropout_prob`、`learning_rate`、`num_epochs`等参数需要根据具体情况进行设置，`dataloader`是一个PyTorch的`DataLoader`对象，用于加载训练数据。