PyTorch推荐系统需手动构建：用Dataset/ DataLoader动态负采样，ID须整数化；核心依赖nn.Embedding实现用户/物品稠密向量表示，初始化用normal并加L2正则；双塔模型须用逐样本点积避免OOM，各塔输出维度统一为64起步。
PyTorch 本身不提供开箱即用的推荐系统模型，但它是构建这类模型最灵活、最常用的底层框架——关键在于你得自己组织数据流、定义交互建模方式（比如矩阵分解、图神经网络或序列建模），而不是调用一个 torch.recommend() 这样的函数。
怎么构造推荐任务的 PyTorch DataLoader？
推荐场景的数据通常不是图像或文本那种规整张量，而是稀疏的用户-物品交互（如点击、评分）。直接用 Dataset 和 DataLoader 时容易卡在负采样和 batch 构造上：
- 不要把所有负样本预存成文件——内存爆炸；应在
__getitem__或自定义collate_fn中动态采样，比如对每个正样本配 1–5 个随机负物品（用torch.randint在物品 ID 范围内采） - 用户 ID 和物品 ID 必须是连续整数（从 0 开始），否则 embedding 层会报
IndexError: index out of range in self；可用pandas.Categorical或sklearn.preprocessing.LabelEncoder处理原始字符串 ID - 如果用隐式反馈（如浏览），batch 输入通常是
(user_id, item_id, label)三元组；显式评分（如 1–5 分）则 label 是 float，loss 选nn.MSELoss，而非BCEWithLogitsLoss
为什么 nn.Embedding 是推荐模型的核心组件？
绝大多数轻量级推荐模型（如 MF、NeuMF、LightGCN）都靠 embedding 表示用户/物品语义，nn.Embedding 就是实现它的标准方式：
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
- 用户 embedding 矩阵大小是
num_users × embed_dim，物品同理；二者不共享权重（除非你明确设计为共享） - 初始化很重要：用
nn.init.normal_(emb.weight, std=0.01)比默认均匀初始化更稳定；别用xavier——它针对全连接层输入输出方差守恒，不适用于稀疏 ID 查表 - 训练时记得对 embedding 输出做 L2 正则（在 loss 中加
l2_reg * (user_emb.norm(2) + item_emb.norm(2))），否则容易过拟合，尤其在稀疏数据上
如何写一个可训练的双塔模型（User Tower + Item Tower）？
这是工业界最常用的召回结构，核心是 user 和 item 向量做点积（或 cosine）后接 sigmoid。PyTorch 下要避免常见陷阱：
立即学习“Python免费学习笔记（深入）”；
- 别在 forward 里直接写
torch.matmul(user_emb, item_emb.T)——这会生成巨大的[batch_size, batch_size]矩阵，OOM；应改用torch.sum(user_emb * item_emb, dim=1)计算逐样本点积 - 如果要做多路召回（比如加类目偏好塔），各塔输出维度必须一致，否则无法拼接或加权；建议统一设为
embed_dim=64起步，再根据效果调整 - 推理时 user tower 可离线预计算并存入向量库（如 FAISS），item tower 则在线运行；但训练阶段必须保证两者梯度都能回传，所以不能用
.detach()或no_grad
真正难的不是搭出一个能跑通的模型，而是让 embedding 学到有意义的泛化能力——比如新用户冷启动时，user embedding 能否靠其注册信息（年龄、地域）快速收敛；这往往需要把 side info（特征）和 ID embedding 融合，而融合方式（concat？attention？gate？）比模型结构本身更影响线上效果。
