使用方法

环境要求

• Python 3.6+
• PyTorch 1.0+
• NumPy
• Pandas
• SciPy
• scikit-learn

运行方式

python P2F/train_lightgcn.py

参数设置

主要参数在main函数中设置：

# 参数设置
data_path = "dataset/ml-100k.inter"  # 数据集路径
embedding_size = 64                 # 嵌入维度
n_layers = 3                        # 图卷积层数
reg_weight = 1e-4                   # 正则化权重
batch_size = 2048                   # 批次大小
lr = 0.001                          # 学习率
epochs = 100                        # 训练轮数
eval_freq = 5                       # 评估频率
k_list = [10, 20]                   # 评估的k值

---

遗忘学习（Unlearning）功能说明

1. 预训练LightGCN模型

在进行unlearning之前，需先训练好基础LightGCN模型。
请运行如下命令：

python P2F/train_lightgcn.py

训练完成后，会在LIGHTGCN_CONFIG['save_path']指定的路径（如./saved/lightgcn.pth）保存预训练模型权重。

主要参数设置（见config.py）：

• data_path：数据集路径（如dataset/ml-100k.inter）
• embedding_size：嵌入维度
• n_layers：GCN层数
• reg_weight：L2正则化权重
• batch_size：训练批次大小
• lr：学习率
• epochs：训练轮数
• save_path：模型保存路径

2. 配置Unlearning参数

在config.py中，设置unlearning相关参数（UNLEARNING_CONFIG），如：

UNLEARNING_CONFIG = {
    'embedding_size': 64,
    'n_layers': 3,
    'reg_weight': 1e-4,
    'batch_size': 2048,
    'lr': 0.001,
    'epochs': 30,
    'forget_ratio': 0.1,         # 遗忘集比例
    'remain_ratio': 1.0,         # 保留集采样比例
    'prompt_type': 'attention',  # 提示类型
    'p_num': 50,                 # prompt数量
    'KL_temperature': 1.0,
    'loss_type': 'WRD',          # 损失类型（如'KL', 'WRD', 'DAD'等）
    'alpha': 0.5,
    'lamda': 10.0,
    'mu': 5.0,
    'K': 5,
    'patience': 5,
    'validation_interval': 1,
    'prompt_save_path': './saved/prompt.pth'
}

3. 运行Unlearning流程

确保train_lightgcn.py已训练并保存了基础模型，然后运行：

python P2F/unlearning.py

该脚本会自动：

• 加载数据和预训练模型
• 按forget_ratio划分遗忘集和保留集
• 只训练提示（prompt）参数，基础模型参数保持不变
• 训练过程中自动评估遗忘集和保留集性能
• 保存训练好的prompt参数到prompt_save_path

4. 推理与评估

推理时，只需加载基础模型和训练好的prompt参数：

from unlearning import load_prompt_for_inference
prompted_model = load_prompt_for_inference(
    base_model, prompt_path, dataset, n_layers, reg_weight, prompt_type, embedding_size, p_num
)

可用evaluate_unlearning函数分别评估遗忘集和保留集的推荐性能。

---

实现细节

1. 数据处理：

   • 将原始数据转换为用户-物品交互矩阵
   • 按用户划分训练集和测试集
   • 为每个正样本生成负样本

2. 模型训练：

   • 使用Adam优化器
   • 采用BPR损失函数
   • 定期评估模型性能

3. 模型评估：

   • 对每个测试用户，预测所有物品的评分
   • 排除训练集中已交互的物品
   • 计算TopK推荐的各项指标

---

常见问题

• 预训练模型未找到？
  请先运行train_lightgcn.py，确保LIGHTGCN_CONFIG['save_path']路径下有模型权重文件。

• 如何调整遗忘比例？
  修改UNLEARNING_CONFIG['forget_ratio']，如0.1表示10%样本为遗忘集。

• 如何切换损失函数？
  修改UNLEARNING_CONFIG['loss_type']，支持KL、WRD、DAD等。

---

参考文献

Xiangnan He et al. "LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation." in SIGIR 2020.