self.fc = MLP_Layers(word_embedding_dim=num_fc_ftr,
item_embedding_dim=args.embedding_dim,
layers=[args.embedding_dim] * (args.dnn_layer + 1),
drop_rate=args.drop_rate)这段代码在训练是对输入的embedding进行了转换，然后再与候选的正负样本计算相似度以及BCE损失， 在模型预测时，为啥是直接使用item_embeddings而不需要经过上面得MLP_Layers呢？
item_embeddings = item_embeddings.to(local_rank)
with torch.no_grad():
eval_all_user = []
item_rank = torch.Tensor(np.arange(item_num) + 1).to(local_rank)
for data in eval_dl:
user_ids, input_embs, log_mask, labels = data
user_ids, input_embs, log_mask, labels = \
user_ids.to(local_rank), input_embs.to(local_rank),\
log_mask.to(local_rank), labels.to(local_rank).detach()
prec_emb = model.module.user_encoder(input_embs, log_mask, local_rank)[:, -1].detach()
scores = torch.matmul(prec_emb, item_embeddings.t()).squeeze(dim=-1).detach()
