jstarcraft rns
1.0.0
Ich hoffe, dass vorbeikommende Klassenkameraden dem JStarCraft-Framework einen Stern geben können, was als Ermutigung für den Autor angesehen werden kann!
JStarCraft RNS ist eine leichtgewichtige Engine, die auf den Bereich des Informationsabrufs ausgerichtet ist. Sie folgt dem Apache 2.0-Protokoll.
Konzentrieren Sie sich auf die Lösung grundlegender Probleme im Bereich der Informationsbeschaffung: Empfehlung und Suche.
Bereitstellung eines Empfehlungs-Engine-Designs und einer Implementierung, die den Anforderungen industrieller Szenarien entspricht.
Bieten Sie Suchmaschinendesign und -implementierung, die den Anforderungen industrieller Szenarien gerecht werden.
Für JStarCraft RNS müssen Benutzer über die folgende Umgebung verfügen:
git clone https://github.com/HongZhaoHua/jstarcraft-core.git
mvn install -Dmaven.test.skip=truegit clone https://github.com/HongZhaoHua/jstarcraft-ai.git
mvn install -Dmaven.test.skip=truegit clone https://github.com/HongZhaoHua/jstarcraft-rns.git
mvn install -Dmaven.test.skip=true <dependency>
<groupId>com.jstarcraft</groupId>
<artifactId>rns</artifactId>
<version>1.0</version>
</dependency>
compile group : ' com.jstarcraft ' , name : ' rns ' , version : ' 1.0 ' Properties keyValues = new Properties ();
keyValues . load ( this . getClass (). getResourceAsStream ( "/data.properties" ));
keyValues . load ( this . getClass (). getResourceAsStream ( "/recommend/benchmark/randomguess-test.properties" ));
Configurator configurator = new Configurator ( keyValues ); RankingTask task = new RankingTask ( RandomGuessModel . class , configurator );
// 训练与评估排序模型
task . execute (); RatingTask task = new RatingTask ( RandomGuessModel . class , configurator );
// 训练与评估评分模型
task . execute (); // 获取模型
Model model = task . getModel ();随着信息技术和互联网的发展,人们逐渐从信息匮乏(Information Underload)的时代走入了信息过载(Information Overload)的时代.
无论是信息消费者还是信息生产者都遇到了挑战:
* 对于信息消费者,从海量信息中寻找信息,是一件非常困难的事情;
* 对于信息生产者,从海量信息中暴露信息,也是一件非常困难的事情;
信息检索的任务就是联系用户和信息,一方面帮助用户寻找对自己有价值的信息,另一方面帮助信息暴露给对它感兴趣的用户,从而实现信息消费者和信息生产者的双赢.
从信息检索的角度:
* 搜索和推荐是获取信息的两种主要手段;
* 搜索和推荐是获取信息的两种不同方式;
* 搜索(Search)是主动明确的;
* 推荐(Recommend)是被动模糊的;
搜索和推荐是两个互补的工具.
JStarCraft-RNS引擎旨在解决推荐与搜索领域的两个核心任务:排序预测(Ranking)和评分预测(Rating).
根据解决基本问题的不同,将算法与评估指标划分为排序(Ranking)与评分(Rating).
两者之间的根本区别在于目标函数的不同.
通俗点的解释:
Ranking算法基于隐式反馈数据,趋向于拟合用户的排序.(关注度)
Rating算法基于显示反馈数据,趋向于拟合用户的评分.(满意度)
关键在于具体场景中,关注度与满意度是否保持一致.
通俗点的解释:
人们关注的东西,并不一定是满意的东西.(例如:个人所得税)
Vollständiges Beispiel
Schreiben Sie ein BeanShell-Skript, um das Modell zu trainieren, auszuwerten und es in der Datei Model.bsh zu speichern
// 构建配置
keyValues = new Properties();
keyValues.load(loader.getResourceAsStream("data.properties"));
keyValues.load(loader.getResourceAsStream("model/benchmark/randomguess-test.properties"));
configurator = new Configurator(keyValues);
// 此对象会返回给Java程序
_data = new HashMap();
// 构建排序任务
task = new RankingTask(RandomGuessModel.class, configurator);
// 训练与评估模型并获取排序指标
measures = task.execute();
_data.put("precision", measures.get(PrecisionEvaluator.class));
_data.put("recall", measures.get(RecallEvaluator.class));
// 构建评分任务
task = new RatingTask(RandomGuessModel.class, configurator);
// 训练与评估模型并获取评分指标
measures = task.execute();
_data.put("mae", measures.get(MAEEvaluator.class));
_data.put("mse", measures.get(MSEEvaluator.class));
_data;
// 获取BeanShell脚本
File file = new File ( ScriptTestCase . class . getResource ( "Model.bsh" ). toURI ());
String script = FileUtils . readFileToString ( file , StringUtility . CHARSET );
// 设置BeanShell脚本使用到的Java类
ScriptContext context = new ScriptContext ();
context . useClasses ( Properties . class , Assert . class );
context . useClass ( "Configurator" , MapConfigurator . class );
context . useClasses ( "com.jstarcraft.ai.evaluate" );
context . useClasses ( "com.jstarcraft.rns.task" );
context . useClasses ( "com.jstarcraft.rns.model.benchmark" );
// 设置BeanShell脚本使用到的Java变量
ScriptScope scope = new ScriptScope ();
scope . createAttribute ( "loader" , loader );
// 执行BeanShell脚本
ScriptExpression expression = new GroovyExpression ( context , scope , script );
Map < String , Float > data = expression . doWith ( Map . class );
Assert . assertEquals ( 0.005825241F , data . get ( "precision" ), 0F );
Assert . assertEquals ( 0.011579763F , data . get ( "recall" ), 0F );
Assert . assertEquals ( 1.2708743F , data . get ( "mae" ), 0F );
Assert . assertEquals ( 2.425075F , data . get ( "mse" ), 0F );Vollständiges Beispiel
Schreiben Sie Groovy-Skripte, um das Modell zu trainieren und auszuwerten und speichern Sie es in der Datei Model.groovy
// 构建配置
def keyValues = new Properties ();
keyValues . load(loader . getResourceAsStream( " data.properties " ));
keyValues . load(loader . getResourceAsStream( " recommend/benchmark/randomguess-test.properties " ));
def configurator = new Configurator (keyValues);
// 此对象会返回给Java程序
def _data = [:];
// 构建排序任务
task = new RankingTask ( RandomGuessModel . class, configurator);
// 训练与评估模型并获取排序指标
measures = task . execute();
_data . precision = measures . get( PrecisionEvaluator . class);
_data . recall = measures . get( RecallEvaluator . class);
// 构建评分任务
task = new RatingTask ( RandomGuessModel . class, configurator);
// 训练与评估模型并获取评分指标
measures = task . execute();
_data . mae = measures . get( MAEEvaluator . class);
_data . mse = measures . get( MSEEvaluator . class);
_data; // 获取Groovy脚本
File file = new File ( ScriptTestCase . class . getResource ( "Model.groovy" ). toURI ());
String script = FileUtils . readFileToString ( file , StringUtility . CHARSET );
// 设置Groovy脚本使用到的Java类
ScriptContext context = new ScriptContext ();
context . useClasses ( Properties . class , Assert . class );
context . useClass ( "Configurator" , MapConfigurator . class );
context . useClasses ( "com.jstarcraft.ai.evaluate" );
context . useClasses ( "com.jstarcraft.rns.task" );
context . useClasses ( "com.jstarcraft.rns.model.benchmark" );
// 设置Groovy脚本使用到的Java变量
ScriptScope scope = new ScriptScope ();
scope . createAttribute ( "loader" , loader );
// 执行Groovy脚本
ScriptExpression expression = new GroovyExpression ( context , scope , script );
Map < String , Float > data = expression . doWith ( Map . class );Vollständiges Beispiel
Schreiben Sie JS-Skripte, um das Modell zu trainieren und auszuwerten und speichern Sie es in der Datei Model.js
// 构建配置
var keyValues = new Properties ( ) ;
keyValues . load ( loader . getResourceAsStream ( "data.properties" ) ) ;
keyValues . load ( loader . getResourceAsStream ( "recommend/benchmark/randomguess-test.properties" ) ) ;
var configurator = new Configurator ( [ keyValues ] ) ;
// 此对象会返回给Java程序
var _data = { } ;
// 构建排序任务
task = new RankingTask ( RandomGuessModel . class , configurator ) ;
// 训练与评估模型并获取排序指标
measures = task . execute ( ) ;
_data [ 'precision' ] = measures . get ( PrecisionEvaluator . class ) ;
_data [ 'recall' ] = measures . get ( RecallEvaluator . class ) ;
// 构建评分任务
task = new RatingTask ( RandomGuessModel . class , configurator ) ;
// 训练与评估模型并获取评分指标
measures = task . execute ( ) ;
_data [ 'mae' ] = measures . get ( MAEEvaluator . class ) ;
_data [ 'mse' ] = measures . get ( MSEEvaluator . class ) ;
_data ; // 获取JS脚本
File file = new File ( ScriptTestCase . class . getResource ( "Model.js" ). toURI ());
String script = FileUtils . readFileToString ( file , StringUtility . CHARSET );
// 设置JS脚本使用到的Java类
ScriptContext context = new ScriptContext ();
context . useClasses ( Properties . class , Assert . class );
context . useClass ( "Configurator" , MapConfigurator . class );
context . useClasses ( "com.jstarcraft.ai.evaluate" );
context . useClasses ( "com.jstarcraft.rns.task" );
context . useClasses ( "com.jstarcraft.rns.model.benchmark" );
// 设置JS脚本使用到的Java变量
ScriptScope scope = new ScriptScope ();
scope . createAttribute ( "loader" , loader );
// 执行JS脚本
ScriptExpression expression = new JsExpression ( context , scope , script );
Map < String , Float > data = expression . doWith ( Map . class );Vollständiges Beispiel
Schreiben Sie ein Kotlin-Skript, um das Modell zu trainieren, auszuwerten und es in der Datei Model.kt zu speichern
// 构建配置
var keyValues = Properties ( ) ;
var loader = bindings [ "loader" ] as ClassLoader ;
keyValues . load ( loader . getResourceAsStream ( "data.properties" ) ) ;
keyValues . load ( loader . getResourceAsStream ( "model/benchmark/randomguess-test.properties" ) ) ;
var option = Option ( keyValues ) ;
// 此对象会返回给Java程序
var _data = mutableMapOf < String , Float > ( ) ;
// 构建排序任务
var rankingTask = RankingTask ( RandomGuessModel :: class . java , option ) ;
// 训练与评估模型并获取排序指标
val rankingMeasures = rankingTask . execute ( ) ;
_data [ "precision" ] = rankingMeasures . getFloat ( PrecisionEvaluator :: class . java ) ;
_data [ "recall" ] = rankingMeasures . getFloat ( RecallEvaluator :: class . java ) ;
// 构建评分任务
var ratingTask = RatingTask ( RandomGuessModel :: class . java , option ) ;
// 训练与评估模型并获取评分指标
var ratingMeasures = ratingTask . execute ( ) ;
_data [ "mae" ] = ratingMeasures . getFloat ( MAEEvaluator :: class . java ) ;
_data [ "mse" ] = ratingMeasures . getFloat ( MSEEvaluator :: class . java ) ;
_data ; // 获取Kotlin脚本
File file = new File ( ScriptTestCase . class . getResource ( "Model.kt" ). toURI ());
String script = FileUtils . readFileToString ( file , StringUtility . CHARSET );
// 设置Kotlin脚本使用到的Java类
ScriptContext context = new ScriptContext ();
context . useClasses ( Properties . class , Assert . class );
context . useClass ( "Option" , MapOption . class );
context . useClasses ( "com.jstarcraft.ai.evaluate" );
context . useClasses ( "com.jstarcraft.rns.task" );
context . useClasses ( "com.jstarcraft.rns.model.benchmark" );
// 设置Kotlin脚本使用到的Java变量
ScriptScope scope = new ScriptScope ();
scope . createAttribute ( "loader" , loader );
// 执行Kotlin脚本
ScriptExpression expression = new KotlinExpression ( context , scope , script );
Map < String , Float > data = expression . doWith ( Map . class );Vollständiges Beispiel
Schreiben Sie Lua-Skripte, um das Modell zu trainieren und auszuwerten und speichern Sie es in der Model.lua-Datei
-- 构建配置
local keyValues = Properties . new ();
keyValues : load ( loader : getResourceAsStream ( " data.properties " ));
keyValues : load ( loader : getResourceAsStream ( " recommend/benchmark/randomguess-test.properties " ));
local configurator = Configurator . new ({ keyValues });
-- 此对象会返回给Java程序
local _data = {};
-- 构建排序任务
task = RankingTask . new ( RandomGuessModel , configurator );
-- 训练与评估模型并获取排序指标
measures = task : execute ();
_data [ " precision " ] = measures : get ( PrecisionEvaluator );
_data [ " recall " ] = measures : get ( RecallEvaluator );
-- 构建评分任务
task = RatingTask . new ( RandomGuessModel , configurator );
-- 训练与评估模型并获取评分指标
measures = task : execute ();
_data [ " mae " ] = measures : get ( MAEEvaluator );
_data [ " mse " ] = measures : get ( MSEEvaluator );
return _data ; // 获取Lua脚本
File file = new File ( ScriptTestCase . class . getResource ( "Model.lua" ). toURI ());
String script = FileUtils . readFileToString ( file , StringUtility . CHARSET );
// 设置Lua脚本使用到的Java类
ScriptContext context = new ScriptContext ();
context . useClasses ( Properties . class , Assert . class );
context . useClass ( "Configurator" , MapConfigurator . class );
context . useClasses ( "com.jstarcraft.ai.evaluate" );
context . useClasses ( "com.jstarcraft.rns.task" );
context . useClasses ( "com.jstarcraft.rns.model.benchmark" );
// 设置Lua脚本使用到的Java变量
ScriptScope scope = new ScriptScope ();
scope . createAttribute ( "loader" , loader );
// 执行Lua脚本
ScriptExpression expression = new LuaExpression ( context , scope , script );
LuaTable data = expression . doWith ( LuaTable . class );Vollständiges Beispiel
Schreiben Sie Python-Skripte, um das Modell zu trainieren, auszuwerten und in der Datei Model.py zu speichern
# 构建配置
keyValues = Properties ()
keyValues . load ( loader . getResourceAsStream ( "data.properties" ))
keyValues . load ( loader . getResourceAsStream ( "recommend/benchmark/randomguess-test.properties" ))
configurator = Configurator ([ keyValues ])
# 此对象会返回给Java程序
_data = {}
# 构建排序任务
task = RankingTask ( RandomGuessModel , configurator )
# 训练与评估模型并获取排序指标
measures = task . execute ()
_data [ 'precision' ] = measures . get ( PrecisionEvaluator )
_data [ 'recall' ] = measures . get ( RecallEvaluator )
# 构建评分任务
task = RatingTask ( RandomGuessModel , configurator )
# 训练与评估模型并获取评分指标
measures = task . execute ()
_data [ 'mae' ] = measures . get ( MAEEvaluator )
_data [ 'mse' ] = measures . get ( MSEEvaluator ) // 设置Python环境变量
System . setProperty ( "python.console.encoding" , StringUtility . CHARSET . name ());
// 获取Python脚本
File file = new File ( PythonTestCase . class . getResource ( "Model.py" ). toURI ());
String script = FileUtils . readFileToString ( file , StringUtility . CHARSET );
// 设置Python脚本使用到的Java类
ScriptContext context = new ScriptContext ();
context . useClasses ( Properties . class , Assert . class );
context . useClass ( "Configurator" , MapConfigurator . class );
context . useClasses ( "com.jstarcraft.ai.evaluate" );
context . useClasses ( "com.jstarcraft.rns.task" );
context . useClasses ( "com.jstarcraft.rns.model.benchmark" );
// 设置Python脚本使用到的Java变量
ScriptScope scope = new ScriptScope ();
scope . createAttribute ( "loader" , loader );
// 执行Python脚本
ScriptExpression expression = new PythonExpression ( context , scope , script );
Map < String , Double > data = expression . doWith ( Map . class );Vollständiges Beispiel
Schreiben Sie ein Ruby-Skript, um das Modell zu trainieren, auszuwerten und es in der Datei Model.rb zu speichern
# 构建配置
keyValues = Properties . new ( )
keyValues . load ( $loader . getResourceAsStream ( "data.properties" ) )
keyValues . load ( $loader . getResourceAsStream ( "model/benchmark/randomguess-test.properties" ) )
configurator = Configurator . new ( keyValues )
# 此对象会返回给Java程序
_data = Hash . new ( )
# 构建排序任务
task = RankingTask . new ( RandomGuessModel . java_class , configurator )
# 训练与评估模型并获取排序指标
measures = task . execute ( )
_data [ 'precision' ] = measures . get ( PrecisionEvaluator . java_class )
_data [ 'recall' ] = measures . get ( RecallEvaluator . java_class )
# 构建评分任务
task = RatingTask . new ( RandomGuessModel . java_class , configurator )
# 训练与评估模型并获取评分指标
measures = task . execute ( )
_data [ 'mae' ] = measures . get ( MAEEvaluator . java_class )
_data [ 'mse' ] = measures . get ( MSEEvaluator . java_class )
_data ; // 获取Ruby脚本
File file = new File ( ScriptTestCase . class . getResource ( "Model.rb" ). toURI ());
String script = FileUtils . readFileToString ( file , StringUtility . CHARSET );
// 设置Ruby脚本使用到的Java类
ScriptContext context = new ScriptContext ();
context . useClasses ( Properties . class , Assert . class );
context . useClass ( "Configurator" , MapConfigurator . class );
context . useClasses ( "com.jstarcraft.ai.evaluate" );
context . useClasses ( "com.jstarcraft.rns.task" );
context . useClasses ( "com.jstarcraft.rns.model.benchmark" );
// 设置Ruby脚本使用到的Java变量
ScriptScope scope = new ScriptScope ();
scope . createAttribute ( "loader" , loader );
// 执行Ruby脚本
ScriptExpression expression = new RubyExpression ( context , scope , script );
Map < String , Double > data = expression . doWith ( Map . class );
Assert . assertEquals ( 0.005825241096317768D , data . get ( "precision" ), 0D );
Assert . assertEquals ( 0.011579763144254684D , data . get ( "recall" ), 0D );
Assert . assertEquals ( 1.270874261856079D , data . get ( "mae" ), 0D );
Assert . assertEquals ( 2.425075054168701D , data . get ( "mse" ), 0D );| Name | Datensatz | Training (Millisekunden) | Vorhersage (Millisekunden) | AUC | KARTE | MRR | NDCG | Neuheit | Präzision | Abrufen |
|---|---|---|---|---|---|---|---|---|---|---|
| Am beliebtesten | filmtrust | 43 | 273 | 0,92080 | 0,41246 | 0,57196 | 0,51583 | 11.79295 | 0,33230 | 0,62385 |
| RandomGuess | filmtrust | 38 | 391 | 0,51922 | 0,00627 | 0,02170 | 0,01121 | 91.94900 | 0,00550 | 0,01262 |
| Name | Datensatz | Training (Millisekunden) | Vorhersage (Millisekunden) | AUC | KARTE | MRR | NDCG | Neuheit | Präzision | Abrufen |
|---|---|---|---|---|---|---|---|---|---|---|
| AHr | filmtrust | 12448 | 253 | 0,89324 | 0,38967 | 0,53990 | 0,48338 | 21.13004 | 0,32295 | 0,56864 |
| AspektRanking | filmtrust | 177 | 58 | 0,85130 | 0,15498 | 0,42480 | 0,26012 | 37.36273 | 0,13302 | 0,31292 |
| BHFreeRanking | filmtrust | 5720 | 4257 | 0,92080 | 0,41316 | 0,57231 | 0,51662 | 11.79567 | 0,33276 | 0,62500 |
| BPR | filmtrust | 4228 | 137 | 0,89390 | 0,39886 | 0,54790 | 0,49180 | 21.46738 | 0,32268 | 0,57623 |
| BUCMRanking | filmtrust | 2111 | 1343 | 0,90782 | 0,39794 | 0,55776 | 0,49651 | 13.08073 | 0,32407 | 0,59141 |
| CDAE | filmtrust | 89280 | 376 | 0,91880 | 0,40759 | 0,56855 | 0,51089 | 11.82466 | 0,33051 | 0,61967 |
| CliMF | filmtrust | 48429 | 140 | 0,88293 | 0,37395 | 0,52407 | 0,46572 | 19.38964 | 0,32049 | 0,54605 |
| DeepFM | filmtrust | 69264 | 99 | 0,91679 | 0,40580 | 0,56995 | 0,50985 | 11.90242 | 0,32719 | 0,61426 |
| EALS | filmtrust | 850 | 185 | 0,86132 | 0,31263 | 0,45680 | 0,39475 | 20.08964 | 0,27381 | 0,46271 |
| FISMAUC | filmtrust | 2338 | 663 | 0,91216 | 0,40032 | 0,55730 | 0,50114 | 12.07469 | 0,32845 | 0,60294 |
| FISMRMSE | filmtrust | 4030 | 729 | 0,91482 | 0,40795 | 0,56470 | 0,50920 | 11.91234 | 0,33044 | 0,61107 |
| GBPR | filmtrust | 14827 | 150 | 0,92113 | 0,41003 | 0,57144 | 0,51464 | 11.87609 | 0,33090 | 0,62512 |
| HMM | Spiel | 38697 | 11223 | 0,80559 | 0,18156 | 0,37516 | 0,25803 | 16.01041 | 0,14572 | 0,22810 |
| ItemBigram | filmtrust | 12492 | 61 | 0,88807 | 0,33520 | 0,46870 | 0,42854 | 17.11172 | 0,29191 | 0,53308 |
| ItemKNNRanking | filmtrust | 2683 | 250 | 0,87438 | 0,33375 | 0,46951 | 0,41767 | 20.23449 | 0,28581 | 0,49248 |
| LDA | filmtrust | 696 | 161 | 0,91980 | 0,41758 | 0,58130 | 0,52003 | 12.31348 | 0,33336 | 0,62274 |
| LambdaFMStatic | Spiel | 25052 | 27078 | 0,87064 | 0,27294 | 0,43640 | 0,34794 | 16.47330 | 0,13941 | 0,35696 |
| LambdaFMGewicht | Spiel | 25232 | 28156 | 0,87339 | 0,27333 | 0,43720 | 0,34728 | 14.71413 | 0,13742 | 0,35252 |
| LambdaFMDynamic | Spiel | 74218 | 27921 | 0,87380 | 0,27288 | 0,43648 | 0,34706 | 13.50578 | 0,13822 | 0,35132 |
| ListwiseMF | filmtrust | 714 | 161 | 0,90820 | 0,40511 | 0,56619 | 0,50521 | 15.53665 | 0,32944 | 0,60092 |
| Bitte | filmtrust | 1027 | 116 | 0,89950 | 0,41217 | 0,57187 | 0,50597 | 16.01080 | 0,32401 | 0,58557 |
| RankALS | filmtrust | 3285 | 182 | 0,85901 | 0,29255 | 0,51014 | 0,38871 | 25.27197 | 0,22931 | 0,42509 |
| RankCD | Produkt | 1442 | 8905 | 0,56271 | 0,01253 | 0,04618 | 0,02682 | 55.42019 | 0,01548 | 0,03520 |
| RangSGD | filmtrust | 309 | 113 | 0,80388 | 0,23587 | 0,42290 | 0,32081 | 42.83305 | 0,19363 | 0,35374 |
| RankVFCD | Produkt | 54273 | 6524 | 0,58022 | 0,01784 | 0,06181 | 0,03664 | 62.95810 | 0,01980 | 0,04852 |
| SCHLANK | filmtrust | 62434 | 91 | 0,91849 | 0,44851 | 0,61083 | 0,54557 | 16.67990 | 0,34019 | 0,63021 |
| UserKNNRanking | filmtrust | 1154 | 229 | 0,90752 | 0,41616 | 0,57525 | 0,51393 | 12.90921 | 0,32891 | 0,60152 |
| VBPR | Produkt | 184473 | 15304 | 0,54336 | 0,00920 | 0,03522 | 0,01883 | 45.05101 | 0,01037 | 0,02266 |
| WBPR | filmtrust | 20705 | 183 | 0,78072 | 0,24647 | 0,33373 | 0,30442 | 17.18609 | 0,25000 | 0,35516 |
| WRMF | filmtrust | 482 | 158 | 0,90616 | 0,43278 | 0,58284 | 0,52480 | 15.17956 | 0,32918 | 0,60780 |
| RankGeoFM | FourSquare | 368436 | 1093 | 0,72708 | 0,05485 | 0,24012 | 0,11057 | 37.50040 | 0,07866 | 0,08640 |
| SBPR | filmtrust | 41481 | 247 | 0,91010 | 0,41189 | 0,56480 | 0,50726 | 15.67905 | 0,32440 | 0,59699 |
| Name | Datensatz | Training (Millisekunden) | Vorhersage (Millisekunden) | AUC | KARTE | MRR | NDCG | Neuheit | Präzision | Abrufen |
|---|---|---|---|---|---|---|---|---|---|---|
| EFMRanking | dc_dense | 2066 | 2276 | 0,61271 | 0,01611 | 0,04631 | 0,04045 | 53.26140 | 0,02387 | 0,07357 |
| TFIDF | Musikinstrumente | 942 | 1085 | 0,52756 | 0,01067 | 0,01917 | 0,01773 | 72.71228 | 0,00588 | 0,03103 |
| Name | Datensatz | Training (Millisekunden) | Vorhersage (Millisekunden) | MAE | MPE | MSE |
|---|---|---|---|---|---|---|
| ConstantGuess | filmtrust | 137 | 45 | 1.05608 | 1,00000 | 1.42309 |
| Globaler Durchschnitt | filmtrust | 60 | 13 | 0,71977 | 0,77908 | 0,85199 |
| ItemAverage | filmtrust | 59 | 12 | 0,72968 | 0,97242 | 0,86413 |
| ItemCluster | filmtrust | 471 | 41 | 0,71976 | 0,77908 | 0,85198 |
| RandomGuess | filmtrust | 38 | 8 | 1.28622 | 0,99597 | 2.47927 |
| Benutzerdurchschnitt | filmtrust | 35 | 9 | 0,64618 | 0,97242 | 0,70172 |
| BenutzerCluster | filmtrust | 326 | 45 | 0,71977 | 0,77908 | 0,85199 |
| Name | Datensatz | Training (Millisekunden) | Vorhersage (Millisekunden) | MAE | MPE | MSE |
|---|---|---|---|---|---|---|
| Aspektbewertung | filmtrust | 220 | 5 | 0,65754 | 0,97918 | 0,71809 |
| ASVDPlusPlus | filmtrust | 5631 | 8 | 0,71975 | 0,77921 | 0,85196 |
| VoreingenommenMF | filmtrust | 92 | 6 | 0,63157 | 0,98387 | 0,66220 |
| BHFreeRating | filmtrust | 6667 | 76 | 0,71974 | 0,77908 | 0,85198 |
| BPMF | filmtrust | 25942 | 52 | 0,66504 | 0,98465 | 0,70210 |
| BUCMRBewertung | filmtrust | 1843 | 30 | 0,64834 | 0,99102 | 0,67992 |
| CCD | Produkt | 15715 | 9 | 0,96670 | 0,93947 | 1.62145 |
| FFM | filmtrust | 5422 | 6 | 0,63446 | 0,98413 | 0,66682 |
| FMALS | filmtrust | 1854 | 5 | 0,64788 | 0,96032 | 0,73636 |
| fmsgd | filmtrust | 3496 | 10 | 0,63452 | 0,98426 | 0,66710 |
| GPLSA | filmtrust | 2567 | 7 | 0,67311 | 0,98972 | 0,79883 |
| IRRG | filmtrust | 40284 | 6 | 0,64766 | 0,98777 | 0,73700 |
| ArtikelKNNRating | filmtrust | 2052 | 27 | 0,62341 | 0,95394 | 0,67312 |
| LDCC | filmtrust | 8650 | 84 | 0,66383 | 0,99284 | 0,70666 |
| LLORMA | filmtrust | 16618 | 82 | 0,64930 | 0,96591 | 0,76067 |
| MFALS | filmtrust | 2944 | 5 | 0,82939 | 0,94549 | 1.30547 |
| NMF | filmtrust | 1198 | 8 | 0,67661 | 0,96604 | 0,83493 |
| PMF | filmtrust | 215 | 7 | 0,72959 | 0,98165 | 0,99948 |
| RBM | filmtrust | 19551 | 270 | 0,74484 | 0,98504 | 0,88968 |
| RFRec | filmtrust | 16330 | 54 | 0,64008 | 0,97112 | 0,69390 |
| SVDPlusPlus | filmtrust | 452 | 26 | 0,65248 | 0,99141 | 0,68289 |
| URP | filmtrust | 1514 | 25 | 0,64207 | 0,99128 | 0,67122 |
| BenutzerKNNRating | filmtrust | 1121 | 135 | 0,63933 | 0,94640 | 0,69280 |
| RSTE | filmtrust | 4052 | 10 | 0,64303 | 0,99206 | 0,67777 |
| SozialMF | filmtrust | 918 | 13 | 0,64668 | 0,98881 | 0,68228 |
| SoRec | filmtrust | 1048 | 10 | 0,64305 | 0,99232 | 0,67776 |
| SoReg | filmtrust | 635 | 8 | 0,65943 | 0,96734 | 0,72760 |
| ZeitSVD | filmtrust | 11545 | 36 | 0,68954 | 0,93326 | 0,87783 |
| TrustMF | filmtrust | 2038 | 7 | 0,63787 | 0,98985 | 0,69017 |
| TrustSVD | filmtrust | 12465 | zweiundzwanzig | 0,61984 | 0,98933 | 0,63875 |
| Assoziationsregel | filmtrust | 2628 | 195 | 0,90853 | 0,41801 | 0,57777 |
| Persönlichkeitsdiagnose | filmtrust | 45 | 642 | 0,72964 | 0,76620 | 1.03071 |
| PRankD | filmtrust | 3321 | 170 | 0,74472 | 0,22894 | 0,32406 |
| SlopeOne | filmtrust | 135 | 28 | 0,63788 | 0,96175 | 0,71057 |
| Name | Datensatz | Training (Millisekunden) | Vorhersage (Millisekunden) | MAE | MPE | MSE |
|---|---|---|---|---|---|---|
| EFMRating | dc_dense | 659 | 8 | 0,61546 | 0,85364 | 0,78279 |
| HFT | Musikinstrumente | 162753 | 13 | 0,64272 | 0,94886 | 0,81393 |
| ThemaMFAT | Musikinstrumente | 6907 | 7 | 0,61896 | 0,98734 | 0,72545 |
| ThemaMFMT | Musikinstrumente | 6323 | 7 | 0,61896 | 0,98734 | 0,72545 |
| Name | Frage | Beschreibung/These |
|---|---|---|
| RandomGuess | Ranking-Bewertung | zufällige Vermutung |
| Am beliebtesten | Rang | am beliebtesten |
| ConstantGuess | Bewertung | ständige Vermutung |
| Globaler Durchschnitt | Bewertung | globaler Durchschnitt |
| ItemAverage | Bewertung | Artikeldurchschnitt |
| ItemCluster | Bewertung | Artikel-Clustering |
| Benutzerdurchschnitt | Bewertung | durchschnittlicher Benutzer |
| BenutzerCluster | Bewertung | Benutzer-Clustering |
| Name | Frage | Beschreibung/These |
|---|---|---|
| Aspektmodell | Ranking-Bewertung | Latente Klassenmodelle für kollaboratives Filtern |
| BHFree | Ranking-Bewertung | Vorhersage- und Empfehlungsgenauigkeit in Einklang bringen: Hierarchische latente Faktoren für Präferenzdaten |
| BUCM | Ranking-Bewertung | Modellierung der Elementauswahl und -relevanz für genaue Empfehlungen |
| ArtikelKNN | Ranking-Bewertung | Elementbasierte kollaborative Filterung |
| BenutzerKNN | Ranking-Bewertung | Benutzerbasierte kollaborative Filterung |
| AHr | Rang | Verbesserung des paarweisen Lernens für Artikelempfehlungen aus implizitem Feedback |
| BPR | Rang | BPR: Bayesianisches personalisiertes Ranking aus implizitem Feedback |
| CliMF | Rang | CLiMF: Lernen, den gegenseitigen Rang durch kollaboratives Weniger-ist-mehr-Filtern zu maximieren |
| EALS | Rang | Kollaborative Filterung für implizite Feedback-Datensätze |
| FISM | Rang | FISM: Faktorisierte Artikelähnlichkeitsmodelle für Top-N-Empfehlungssysteme |
| GBPR | Rang | GBPR: Gruppenpräferenzbasiertes Bayesianisches personalisiertes Ranking für kollaborative Filterung in einer Klasse |
| HMMForCF | Rang | Ein verstecktes Markov-Modell Zweck: Eine Klasse für das Modell, einschließlich Parametern |
| ItemBigram | Rang | Themenmodellierung: Jenseits von Wortschatz |
| LambdaFM | Rang | LambdaFM: Erlernen des optimalen Rankings mit Faktorisierungsmaschinen unter Verwendung von Lambda-Surrogaten |
| LDA | Rang | Latente Dirichlet-Zuordnung für implizites Feedback |
| ListwiseMF | Rang | Listenweises Erlernen der Rangfolge mit Matrixfaktorisierung für kollaboratives Filtern |
| Bitte | Rang | Latente semantische Modelle für kollaboratives Filtern |
| RankALS | Rang | Abwechselnde kleinste Quadrate für personalisiertes Ranking |
| RangSGD | Rang | Kollaboratives Filterensemble für das Ranking |
| SCHLANK | Rang | SLIM: Sparse lineare Methoden für Top-N-Empfehlungssysteme |
| WBPR | Rang | Bayesianisches personalisiertes Ranking für nicht einheitlich abgetastete Elemente |
| WRMF | Rang | Kollaborative Filterung für implizite Feedback-Datensätze |
| Rang-GeoFM | Rang | Rank-GeoFM: Eine auf Rangfolge basierende Methode zur geografischen Faktorisierung zur Empfehlung von Points of Interest |
| SBPR | Rang | Nutzung sozialer Verbindungen zur Verbesserung des personalisierten Rankings für kollaboratives Filtern |
| Assoziationsregel | Rang | Ein Empfehlungsalgorithmus unter Verwendung mehrstufiger Assoziationsregeln |
| PRankD | Rang | Personalisiertes Ranking mit Vielfalt |
| AsymmetrischSVD++ | Bewertung | Faktorisierung trifft auf die Nachbarschaft: ein vielfältiges kollaboratives Filtermodell |
| AutoRec | Bewertung | AutoRec: Autoencoder treffen auf kollaboratives Filtern |
| BPMF | Bewertung | Bayesianische probabilistische Matrixfaktorisierung unter Verwendung der Markov-Kette Monte Carlo |
| CCD | Bewertung | Groß angelegte parallele kollaborative Filterung für den Netflix-Preis |
| FFM | Bewertung | Feldbezogene Faktorisierungsmaschinen für die CTR-Vorhersage |
| GPLSA | Bewertung | Kollaborative Filterung mittels Gaußscher probabilistischer latenter semantischer Analyse |
| IRRG | Bewertung | Ausnutzung impliziter Elementbeziehungen für Empfehlungssysteme |
| MFALS | Bewertung | Groß angelegte parallele kollaborative Filterung für den Netflix-Preis |
| NMF | Bewertung | Algorithmen zur nichtnegativen Matrixfaktorisierung |
| PMF | Bewertung | PMF: Probabilistische Matrixfaktorisierung |
| RBM | Bewertung | Eingeschränkte Boltzman-Maschinen für kollaboratives Filtern |
| RF-Rec | Bewertung | RF-Rec: Schnelle und genaue Berechnung von Empfehlungen basierend auf Bewertungsfrequenzen |
| SVD++ | Bewertung | Faktorisierung trifft auf die Nachbarschaft: ein vielfältiges kollaboratives Filtermodell |
| URP | Bewertung | Benutzerbewertungsprofil: ein LDA-Modell zur Bewertungsvorhersage |
| RSTE | Bewertung | Empfehlen lernen mit dem Social Trust Ensemble |
| SozialMF | Bewertung | Eine Matrixfaktorisierungstechnik mit Vertrauensausbreitung für Empfehlungen in sozialen Netzwerken |
| SoRec | Bewertung | SoRec: Soziale Empfehlung mittels probabilistischer Matrixfaktorisierung |
| SoReg | Bewertung | Empfehlungssysteme mit sozialer Regularisierung |
| ZeitSVD++ | Bewertung | Kollaboratives Filtern mit zeitlicher Dynamik |
| TrustMF | Bewertung | Soziale kollaborative Filterung durch Vertrauen |
| TrustSVD | Bewertung | TrustSVD: Kollaboratives Filtern mit sowohl dem expliziten als auch impliziten Einfluss des Benutzervertrauens und der Artikelbewertungen |
| Persönlichkeitsdiagnose | Bewertung | Eine kurze Einführung in die Persönlichkeitsdiagnose |
| SlopeOne | Bewertung | Slope-One-Prädiktoren für bewertungsbasiertes kollaboratives Online-Filtern |
| Name | Frage | Beschreibung/These |
|---|---|---|
| EFM | Ranking-Bewertung | Explizite Faktormodelle für erklärbare Empfehlungen basierend auf einer Stimmungsanalyse auf Phrasenebene |
| TF-IDF | Rang | Termhäufigkeit-inverse Dokumenthäufigkeit |
| HFT | Bewertung | Verborgene Faktoren und verborgene Themen: Bewertungsdimensionen anhand von Rezensionstexten verstehen |
| ThemaMF | Bewertung | TopicMF: Bewertungen und Rezensionen gleichzeitig für Empfehlungen nutzen |
JStarCraft RNS folgt dem Apache 2.0-Protokoll und alle darauf basierenden abgeleiteten Werke gehören dem Autor der abgeleiteten Arbeit.
| Autor | Hong Zhaohua |
|---|---|
| [email protected], [email protected] |
Besonderer Dank geht an das LibRec-Team und die QQ-Gruppe des Empfehlungssystems (274750470) für ihre Unterstützung und Hilfe bei der Empfehlung.
Besonderer Dank geht an Lu Xugang für seine Unterstützung und Hilfe bei der Suche.
Besonderer Dank geht an Hangzhou Chengzi Information Technology Co., Ltd. für die Spende für das JStarCraft-Projekt.
