【推荐系统之 BPR 算法】
1、关于BPR的论文原文： BPR: Bayesian Personalized Ranking from Implicit Feedback
2、参考1：论文快读 - BPR: Bayesian Personalized Ranking from Implicit Feedback （该博主的网站不错，尤其论文快读模块）
3、参考2：结合librec源代码读论文:Bayesian personalized ranking系列方法 （该博主的网站亦不错）
【Librec的BPR算法实现】
Librec的推荐系统库可以说是很强大了。郭老师团队特别厉害！
我们原先是用Librec1.3版本里面的BPR算法作为对比实验。现在需要有所修改：
数据集是“购买/点击的商品”，想要计算其购买概率。
LibREC源码里的BPR算法的输入比较是“（购买+点击）v.s.没出现的”，目前需要的是“购买v.s. 点击”。因此需要改一下源码：
// 那就改BPRRecoomender这里， 把数据集中购买的记录标记为1，点击却没购买的记录标记为0。然后就当作正负样本就行了。
// 1.3 这个版本没有BPRRecoomender，而是BPR.java 。 1.3叫BPR，2.0叫BPRRecommender。一样的，就改对应的负采样。
// 正采样不用改，点击记录分数如果是0，会自动被忽略。因此就只需要改负采样就好了。
// 原来的代码是把所有每个用户正样本之外的物品都假设为负样本啊。
// j 表示的是负样本是吗？可是它这里怎么是用的随机数？？——就是把这里改成不要用随机数。
// 以下两个区别：
// 是，2.0版本会过滤掉0。 1.3版本不会过滤掉0。
// 可以在外部判断一下。如果data[index]是0，那么当作负样本，data[index]是1当作正样本。
这边改完之后应该没有 相关的配置文件有需要改的。没有影响到配置项。
但是划分器那里可能也得调整。现在得划分器（Splitter）可没有按照0,1提取正样本用做后续的评估。
------------------------------------------------------------------
-------------------------------------------------------------------------
也就是在这里也需要改：