lightfm

LuzFM

Estado de construcción
linux
OSX (OpenMP deshabilitado)
Windows (OpenMP deshabilitado)

LightFM es una implementación en Python de una serie de algoritmos de recomendación populares para comentarios implícitos y explícitos, incluida la implementación eficiente de pérdidas de clasificación BPR y WARP. Es fácil de usar, rápido (mediante estimación de modelo multiproceso) y produce resultados de alta calidad.

También permite incorporar metadatos tanto de elementos como de usuarios en los algoritmos tradicionales de factorización matricial. Representa a cada usuario y elemento como la suma de las representaciones latentes de sus características, lo que permite generalizar las recomendaciones a nuevos elementos (a través de características de elementos) y a nuevos usuarios (a través de características de usuario).

Para obtener más detalles, consulte la Documentación.

¿Necesitar ayuda? Contácteme por correo electrónico, Twitter o Gitter.

Instalación

Instalar desde pip :

 pip install lightfm

o Conda:

 conda install -c conda-forge lightfm

Inicio rápido

Ajustar un modelo de retroalimentación implícita en el conjunto de datos MovieLens 100k es muy fácil:

 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 ()

Artículos y tutoriales sobre el uso de LightFM

1. Aprender a clasificar modelos de Sketchfab con LightFM
2. Incorporaciones de metadatos para recomendaciones de inicio en frío de elementos y usuarios
3. Sistemas de recomendación: aprenda Python para la ciencia de datos
4. Uso de LightFM para recomendar proyectos a consultores

como citar

Cite LightFM si le ayuda en su investigación. Puede utilizar la siguiente entrada BibTeX:

 @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},
}

Desarrollo

Las solicitudes de extracción son bienvenidas. Para instalar para desarrollo:

1. Clona el repositorio: git clone [email protected]:lyst/lightfm.git
2. Configure un entorno virtual: cd lightfm && python3 -m venv venv && source ./venv/bin/activate
3. Instálelo para el desarrollo usando pip: pip install -e . && pip install -r test-requirements.txt
4. Puede ejecutar pruebas ejecutando ./venv/bin/py.test tests .
5. LightFM usa negro para aplicar el formato del código y flake8 para el linting, consulte lint-requirements.txt .
6. [Opcional]: Puede instalar la confirmación previa para formatear y linting localmente. Instalar con:

   pip install pre-commit
   pre-commit install

Al realizar cambios en los archivos de extensión .pyx , deberá ejecutar python setup.py cythonize para producir los archivos de extensión .c antes de ejecutar pip install -e . .