有关update的forward传参

[imgkkk574]

根据论文所提出的3阶更新机制，对某节点进行update时，应包含该节点上一时刻的embedding、新交互节点的embedding以及新交互节点的1-hop邻居的聚合embedding。 即在以下代码中， user_embedding_output = model.forward(user_embedding_input, item_embedding_input, timediffs=user_timediffs_tensor, features=feature_tensor, adj_embeddings=user_adj_embedding, select='user_update') 传入的adj_embedding应为item_adj_embedding， item_embedding_output = model.forward(user_embedding_input, item_embedding_input, timediffs=item_timediffs_tensor, features=feature_tensor, adj_embeddings=item_adj_embedding, select='item_update')传入的adj_embedding应为user_adj_embedding。 目前仓库中的代码实现似乎有误。

此外，若直接进行以上修改，或许会带来数据泄露的问题：模型依靠t-batch算法进行并行计算，目前的代码实现中， lib.current_tbatches_user_adj[tbatch_to_insert].append(user_adj[userid]) # item``lib.current_tbatches_item_adj[tbatch_to_insert].append(item_adj[itemid]) # user存入的是整个数据的user-item邻接关系，前序t-batch数据可以使用到后续t-batch的邻接关系，造成数据泄露。

另，evaluate_interaction_prediction.py中的set_embeddings_training_end应该注释掉，因为目前DGCF.py的实现中并未存入有意义的_embeddings_time_series。

[imgkkk574]

将lib.current_tbatches_user_adj[tbatch_to_insert].append(user_adj[userid])和lib.current_tbatches_item_adj[tbatch_to_insert].append(item_adj[itemid])传入的adj改为forzenset(_adj[_id])应该能避免数据泄露的问题。原因在于user_id[]和item_id[]的数据类型是set，为可变数据类型，后续t-batch的邻接关系会影响前序t-batch已保存的邻接关系。