TensorFlow Recommenders中compute_loss参数不匹配的TypeError排查

核心原因 #

这个错误是因为你自定义的RecommenderModel中重写的compute_loss方法参数签名不符合TensorFlow Recommenders（TFRS）的规范。TFRS的tfrs.Model类对compute_loss的参数有固定要求，当你定义的参数数量、结构与框架预期不匹配时，就会触发该报错。

常见错误场景及修复方案 #

1. 错误的方法参数签名 #

如果你把compute_loss写成了类似下面的形式：

def compute_loss(self, user_embeddings, item_embeddings, labels):
    # 损失计算逻辑

就会因为参数数量不匹配报错。TFRS要求的正确签名是接收**输入集合（元组/字典）**和可选的training参数，示例如下：

def compute_loss(self, inputs, training=False):
    # 从输入集合中解构出用户特征、物品特征和标签
    user_features, item_features, labels = inputs
    
    # 生成用户/物品嵌入
    user_embeddings = self.user_model(user_features)
    item_embeddings = self.item_model(item_features)
    
    # 计算召回损失（以Retrieval损失为例）
    loss = tfrs.losses.Retrieval()(labels, tf.matmul(user_embeddings, item_embeddings, transpose_b=True))
    
    return loss

2. 训练数据传入方式错误 #

如果训练时传入的是多个独立张量而非统一的元组/字典，也会导致参数不匹配。确保训练数据集的结构是包含用户特征、物品特征、标签的元组，比如：

model.fit(train_dataset.batch(32), epochs=5)

其中train_dataset的每个样本格式为(user_features_dict, item_features_dict, label)。

3. 模型继承类错误 #

确认你的RecommenderModel继承自tfrs.Model而非tf.keras.Model。TFRS的模型类有专属的训练逻辑，继承错误会导致方法签名不兼容。

额外提示：处理RaggedTensor类型的genre特征 #

针对多标签的genre字段，你需要在ItemModel中正确处理RaggedTensor输入，示例如下：

class ItemModel(tf.keras.Model):
    def __init__(self, item_vocab_size, genre_vocab_size, embedding_dim):
        super().__init__()
        self.item_embedding = tf.keras.layers.Embedding(item_vocab_size, embedding_dim)
        self.genre_embedding = tf.keras.layers.Embedding(genre_vocab_size, embedding_dim)
        self.genre_pooling = tf.keras.layers.GlobalAveragePooling1D()
        
    def call(self, inputs):
        item_id = inputs["itemid"]
        genre = inputs["genre"]
        
        item_emb = self.item_embedding(item_id)
        genre_emb = self.genre_embedding(genre)
        genre_emb = self.genre_pooling(genre_emb)
        
        # 合并物品ID与genre的嵌入向量
        return tf.concat([item_emb, genre_emb], axis=1)

内容的提问来源于stack exchange，提问作者Ahmad Bin Shafaat