lightfm

LightFM

Build-Status
Linux
OSX (OpenMP deaktiviert)
Windows (OpenMP deaktiviert)

LightFM ist eine Python-Implementierung einer Reihe beliebter Empfehlungsalgorithmen für implizites und explizites Feedback, einschließlich der effizienten Implementierung von BPR- und WARP-Ranking-Verlusten. Es ist einfach zu verwenden, schnell (über Multithread-Modellschätzung) und liefert qualitativ hochwertige Ergebnisse.

Darüber hinaus ist es möglich, sowohl Artikel- als auch Benutzermetadaten in die herkömmlichen Matrixfaktorisierungsalgorithmen zu integrieren. Es stellt jeden Benutzer und jedes Element als Summe der latenten Darstellungen seiner Merkmale dar und ermöglicht so die Verallgemeinerung von Empfehlungen auf neue Elemente (über Elementmerkmale) und auf neue Benutzer (über Benutzermerkmale).

Weitere Einzelheiten finden Sie in der Dokumentation.

Brauchen Sie Hilfe? Kontaktieren Sie mich per E-Mail, Twitter oder Gitter.

Installation

Von pip installieren:

 pip install lightfm

oder Conda:

 conda install -c conda-forge lightfm

Schnellstart

Das Anpassen eines impliziten Feedback-Modells an den MovieLens 100k-Datensatz ist sehr einfach:

 from lightfm import LightFM
from lightfm . datasets import fetch_movielens
from lightfm . evaluation import precision_at_k

# Load the MovieLens 100k dataset. Only five
# star ratings are treated as positive.
data = fetch_movielens ( min_rating = 5.0 )

# Instantiate and train the model
model = LightFM ( loss = 'warp' )
model . fit ( data [ 'train' ], epochs = 30 , num_threads = 2 )

# Evaluate the trained model
test_precision = precision_at_k ( model , data [ 'test' ], k = 5 ). mean ()

Artikel und Tutorials zur Verwendung von LightFM

1. Lernen, Sketchfab-Modelle mit LightFM zu bewerten
2. Metadateneinbettungen für Kaltstartempfehlungen für Benutzer und Elemente
3. Empfehlungssysteme – Lernen Sie Python für Data Science
4. Verwendung von LightFM zur Empfehlung von Projekten an Berater

Wie man zitiert

Bitte zitieren Sie LightFM, wenn es Ihnen bei Ihrer Recherche hilft. Sie können den folgenden BibTeX-Eintrag verwenden:

 @inproceedings{DBLP:conf/recsys/Kula15,
  author    = {Maciej Kula},
  editor    = {Toine Bogers and
               Marijn Koolen},
  title     = {Metadata Embeddings for User and Item Cold-start Recommendations},
  booktitle = {Proceedings of the 2nd Workshop on New Trends on Content-Based Recommender
               Systems co-located with 9th {ACM} Conference on Recommender Systems
               (RecSys 2015), Vienna, Austria, September 16-20, 2015.},
  series    = {{CEUR} Workshop Proceedings},
  volume    = {1448},
  pages     = {14--21},
  publisher = {CEUR-WS.org},
  year      = {2015},
  url       = {http://ceur-ws.org/Vol-1448/paper4.pdf},
}

Entwicklung

Pull-Anfragen sind willkommen. Für die Entwicklung installieren:

1. Klonen Sie das Repository: git clone [email protected]:lyst/lightfm.git
2. Richten Sie eine virtuelle Umgebung ein: cd lightfm && python3 -m venv venv && source ./venv/bin/activate
3. Installieren Sie es für die Entwicklung mit pip: pip install -e . && pip install -r test-requirements.txt
4. Sie können Tests ausführen, indem Sie ./venv/bin/py.test tests ausführen.
5. LightFM verwendet Schwarz, um die Codeformatierung zu erzwingen, und flake8 für Linting, siehe lint-requirements.txt .
6. [Optional]: Sie können Pre-Commit installieren, um Formatierung und Flusen lokal durchzusetzen. Installieren mit:

   pip install pre-commit
   pre-commit install

Wenn Sie Änderungen an den .pyx Erweiterungsdateien vornehmen, müssen Sie python setup.py cythonize ausführen, um die .c Erweiterungsdateien zu erstellen, bevor Sie pip install -e . .