Inicio>Relacionado con la programación>Otro código fuente
Descargar

JStarCraft RNS

Espero que los compañeros que pasen puedan darle una estrella al marco JStarCraft, ¡lo que puede considerarse como un estímulo para el autor!

Tabla de contenido

  • introducir
  • característica
  • Instalar
    • Instalar el marco JStarCraft Core
    • Instalar el marco de IA JStarCraft
    • Instalar el motor JStarCraft RNS
  • usar
    • Establecer dependencias
    • Configurador de compilación
    • Modelos de formación y evaluación.
    • Obtener modelo
  • Arquitectura
  • concepto
    • Por qué es necesaria la recuperación de información
    • Similitudes y diferencias entre búsqueda y recomendación
    • ¿Qué problemas resuelve el motor JStarCraft RNS?
    • La diferencia entre tarea de clasificación y tarea de clasificación
    • ¿Se puede utilizar el algoritmo de calificación para problemas de clasificación?
  • Ejemplo
    • El motor JStarCraft RNS interactúa con los scripts de BeanShell
    • El motor JStarCraft RNS interactúa con los scripts Groovy
    • El motor JStarCraft RNS interactúa con los scripts JS
    • El motor JStarCraft RNS interactúa con los scripts de Kotlin
    • El motor JStarCraft RNS interactúa con los scripts de Lua
    • El motor JStarCraft RNS interactúa con los scripts de Python
    • El motor JStarCraft RNS interactúa con los scripts de Ruby
  • contraste
    • Comparación de modelos de clasificación
    • Comparación de modelos de puntuación
  • Versión
  • referirse a
    • Descripción del modelo personalizado
    • Descripción del conjunto de datos
  • protocolo
  • autor
  • Expresiones de gratitud
  • Donar

introducir

JStarCraft RNS es un motor ligero orientado al campo de la recuperación de información. Sigue el protocolo Apache 2.0.

Centrado en la resolución de problemas básicos en el ámbito de la recuperación de información: recomendación y búsqueda.

Proporcionar diseño e implementación de motores de recomendaciones que cumplan con los requisitos de escenarios de nivel industrial.

Proporcionar diseño e implementación de motores de búsqueda que cumplan con los requisitos de escenarios de nivel industrial.

característica

  • 1. Multiplataforma
  • 2. Computación serial y paralela
  • 3.Aceleración de hardware de CPU y GPU
  • 4. Guardado y carga del modelo.
  • 5. Ricos algoritmos de búsqueda y recomendaciones.
  • 6. Compatibilidad con scripts enriquecidos
    • maravilloso
    • js
    • lua
    • MVEL
    • Pitón
    • Rubí
  • 7. Indicadores de evaluación ricos
    • Índice de clasificación
    • Indicadores de calificación

Instalar

JStarCraft RNS requiere que los usuarios tengan el siguiente entorno:

  • JDK 8 o superior
  • experto 3

Instalar el marco JStarCraft-Core 

git clone https://github.com/HongZhaoHua/jstarcraft-core.git

mvn install -Dmaven.test.skip=true

Instalar el marco JStarCraft-AI 

git clone https://github.com/HongZhaoHua/jstarcraft-ai.git

mvn install -Dmaven.test.skip=true

Instalar el motor JStarCraft-RNS 

git clone https://github.com/HongZhaoHua/jstarcraft-rns.git

mvn install -Dmaven.test.skip=true

usar

Establecer dependencias

  • Establecer dependencias de Maven 
 <dependency>
    <groupId>com.jstarcraft</groupId>
    <artifactId>rns</artifactId>
    <version>1.0</version>
</dependency>
  • Establecer dependencias de Gradle 
compile group : ' com.jstarcraft ' , name : ' rns ' , version : ' 1.0 '

Configurador de compilación 

 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 );

Modelos de formación y evaluación.

  • Crear tareas de clasificación 
 RankingTask task = new RankingTask ( RandomGuessModel . class , configurator );
// 训练与评估排序模型
task . execute ();
  • Crear tareas de puntuación 
 RatingTask task = new RatingTask ( RandomGuessModel . class , configurator );
// 训练与评估评分模型
task . execute ();

Obtener modelo 

 // 获取模型
Model model = task . getModel ();

Arquitectura

concepto

Por qué es necesaria la recuperación de información 

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.

Similitudes y diferencias entre búsqueda y recomendación 

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.

¿Qué problemas resuelve el motor JStarCraft-RNS? 

 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).

La diferencia entre tarea de clasificación y tarea de clasificación 

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)

¿Se puede utilizar el algoritmo de calificación para problemas de clasificación? 

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)

Ejemplo

El motor JStarCraft-RNS interactúa con los scripts de BeanShell

  • Ejemplo completo

  • Escriba un script BeanShell para entrenar y evaluar el modelo y guárdelo en el archivo Model.bsh. 

 // 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;
  • Cargue y ejecute scripts BeanShell desde el archivo Model.bsh usando el marco JStarCraft 
 // 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 );

El motor JStarCraft-RNS interactúa con los scripts Groovy

  • Ejemplo completo

  • Escriba scripts de Groovy para entrenar y evaluar el modelo y guárdelo en el archivo 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;
  • Cargue y ejecute scripts Groovy desde archivos Model.groovy utilizando el marco JStarCraft 
 // 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 );

El motor JStarCraft-RNS interactúa con los scripts JS

  • Ejemplo completo

  • Escriba scripts JS para entrenar y evaluar el modelo y guardarlo en el archivo 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 ;
  • Cargue y ejecute scripts JS desde el archivo Model.js utilizando el marco JStarCraft 
 // 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 );

El motor JStarCraft-RNS interactúa con los scripts de Kotlin

  • Ejemplo completo

  • Escriba un script Kotlin para entrenar y evaluar el modelo y guárdelo en el archivo Model.kt. 

 // 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 ;
  • Cargue y ejecute scripts de Kotlin desde archivos Model.kt utilizando el marco JStarCraft 
 // 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 );

El motor JStarCraft-RNS interactúa con los scripts Lua

  • Ejemplo completo

  • Escriba scripts de Lua para entrenar y evaluar el modelo y guárdelo en el archivo Model.lua. 

 -- 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 ;
  • Cargue y ejecute scripts Lua desde el archivo Model.lua usando el marco JStarCraft 
 // 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 );

El motor JStarCraft-RNS interactúa con los scripts de Python

  • Ejemplo completo

  • Escriba scripts de Python para entrenar y evaluar el modelo y guardarlo en el archivo Model.py 

 # 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 )
  • Cargue y ejecute scripts de Python desde archivos Model.py utilizando el marco JStarCraft 
 // 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 );

JStarCraft-Ruby

  • Ejemplo completo

  • Escriba un script Ruby para entrenar y evaluar el modelo y guárdelo en el archivo Model.rb. 

 # 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 ;
  • Cargue y ejecute scripts Ruby desde el archivo Model.rb usando el marco JStarCraft 
 // 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 );

contraste

Comparación de modelos de clasificación

  • Modelo de referencia
nombre Conjunto de datos entrenamiento (milisegundos) Predicción (milisegundos) AUC MAPA MRR NDCG Novedad Precisión Recordar
más popular confianza cinematográfica 43 273 0.92080 0.41246 0.57196 0.51583 11.79295 0.33230 0.62385
Adivina al azar confianza cinematográfica 38 391 0.51922 0.00627 0.02170 0.01121 91.94900 0.00550 0.01262
  • modelo colaborativo
nombre Conjunto de datos entrenamiento (milisegundos) Predicción (milisegundos) AUC MAPA MRR NDCG Novedad Precisión Recordar
AHr confianza cinematográfica 12448 253 0.89324 0.38967 0.53990 0.48338 21.13004 0,32295 0.56864
Clasificación de aspecto confianza cinematográfica 177 58 0.85130 0,15498 0,42480 0.26012 37.36273 0.13302 0.31292
BHFreeRanking confianza cinematográfica 5720 4257 0.92080 0.41316 0.57231 0.51662 11.79567 0.33276 0,62500
BPR confianza cinematográfica 4228 137 0.89390 0.39886 0.54790 0.49180 21.46738 0.32268 0.57623
Clasificación BUCM confianza cinematográfica 2111 1343 0.90782 0.39794 0.55776 0.49651 13.08073 0,32407 0.59141
CDAE confianza cinematográfica 89280 376 0.91880 0.40759 0.56855 0.51089 11.82466 0.33051 0.61967
Clima confianza cinematográfica 48429 140 0.88293 0,37395 0.52407 0,46572 19.38964 0.32049 0.54605
ProfundoFM confianza cinematográfica 69264 99 0.91679 0.40580 0.56995 0.50985 11.90242 0.32719 0.61426
EALS confianza cinematográfica 850 185 0.86132 0.31263 0.45680 0,39475 20.08964 0.27381 0.46271
FISMAUC confianza cinematográfica 2338 663 0.91216 0.40032 0.55730 0.50114 12.07469 0,32845 0.60294
FISMRMSE confianza cinematográfica 4030 729 0.91482 0.40795 0.56470 0.50920 11.91234 0.33044 0.61107
GBPR confianza cinematográfica 14827 150 0.92113 0.41003 0.57144 0.51464 11.87609 0.33090 0.62512
MMM juego 38697 11223 0.80559 0.18156 0.37516 0.25803 16.01041 0.14572 0.22810
ArtículoBigram confianza cinematográfica 12492 61 0.88807 0.33520 0,46870 0,42854 17.11172 0.29191 0.53308
ArtículoKNNRanking confianza cinematográfica 2683 250 0.87438 0.33375 0.46951 0.41767 20.23449 0.28581 0.49248
LDA confianza cinematográfica 696 161 0.91980 0.41758 0.58130 0.52003 12.31348 0.33336 0.62274
LambdaFMEstática juego 25052 27078 0.87064 0.27294 0.43640 0.34794 16.47330 0.13941 0,35696
LambdaFMPeso juego 25232 28156 0.87339 0.27333 0.43720 0,34728 14.71413 0.13742 0,35252
LambdaFMDinámico juego 74218 27921 0.87380 0.27288 0.43648 0.34706 13.50578 0.13822 0,35132
ListwiseMF confianza cinematográfica 714 161 0.90820 0.40511 0.56619 0.50521 15.53665 0.32944 0.60092
plsa confianza cinematográfica 1027 116 0.89950 0.41217 0.57187 0.50597 16.01080 0,32401 0.58557
RangoALS confianza cinematográfica 3285 182 0.85901 0,29255 0.51014 0.38871 25.27197 0.22931 0,42509
RangoCD producto 1442 8905 0.56271 0.01253 0.04618 0.02682 55.42019 0.01548 0.03520
RangoSGD confianza cinematográfica 309 113 0.80388 0,23587 0.42290 0.32081 42.83305 0.19363 0,35374
RangoVFCD producto 54273 6524 0.58022 0.01784 0.06181 0.03664 62.95810 0.01980 0.04852
DELGADO confianza cinematográfica 62434 91 0.91849 0,44851 0.61083 0.54557 16.67990 0.34019 0.63021
UsuarioKNNRanking confianza cinematográfica 1154 229 0.90752 0.41616 0.57525 0.51393 12.90921 0.32891 0.60152
VBPR producto 184473 15304 0.54336 0.00920 0.03522 0.01883 45.05101 0.01037 0.02266
WBPR confianza cinematográfica 20705 183 0.78072 0,24647 0.33373 0.30442 17.18609 0,25000 0.35516
WRMF confianza cinematográfica 482 158 0.90616 0.43278 0.58284 0.52480 15.17956 0.32918 0.60780
RangoGeoFM Firme 368436 1093 0.72708 0.05485 0.24012 0.11057 37.50040 0.07866 0.08640
SBPR confianza cinematográfica 41481 247 0.91010 0.41189 0.56480 0.50726 15.67905 0,32440 0.59699
  • modelo de contenido
nombre Conjunto de datos entrenamiento (milisegundos) Predicción (milisegundos) AUC MAPA MRR NDCG Novedad Precisión Recordar
Clasificación EFM dc_denso 2066 2276 0.61271 0.01611 0.04631 0.04045 53.26140 0.02387 0.07357
TFIDF instrumentos_musicales 942 1085 0.52756 0.01067 0.01917 0.01773 72.71228 0.00588 0.03103

Comparación de modelos de puntuación

  • Modelo de referencia
nombre Conjunto de datos entrenamiento (milisegundos) Predicción (milisegundos) MAE MPE MSE
Adivina constante confianza cinematográfica 137 45 1.05608 1.00000 1.42309
Promedio global confianza cinematográfica 60 13 0.71977 0.77908 0.85199
ArtículoPromedio confianza cinematográfica 59 12 0.72968 0.97242 0.86413
Clúster de artículos confianza cinematográfica 471 41 0.71976 0.77908 0.85198
Adivina al azar confianza cinematográfica 38 8 1.28622 0.99597 2.47927
Usuario promedio confianza cinematográfica 35 9 0.64618 0.97242 0.70172
Clúster de usuarios confianza cinematográfica 326 45 0.71977 0.77908 0.85199
  • modelo colaborativo
nombre Conjunto de datos entrenamiento (milisegundos) Predicción (milisegundos) MAE MPE MSE
Clasificación de aspecto confianza cinematográfica 220 5 0.65754 0.97918 0.71809
ASVDPlusPlus confianza cinematográfica 5631 8 0.71975 0.77921 0.85196
MF sesgado confianza cinematográfica 92 6 0.63157 0.98387 0.66220
BHFreeRating confianza cinematográfica 6667 76 0.71974 0.77908 0.85198
BPMF confianza cinematográfica 25942 52 0.66504 0.98465 0.70210
BUCMRating confianza cinematográfica 1843 30 0.64834 0.99102 0.67992
CCD producto 15715 9 0.96670 0.93947 1.62145
ffm confianza cinematográfica 5422 6 0.63446 0.98413 0.66682
FMALES confianza cinematográfica 1854 5 0.64788 0.96032 0.73636
fmsgd confianza cinematográfica 3496 10 0.63452 0.98426 0.66710
GPLSA confianza cinematográfica 2567 7 0.67311 0.98972 0.79883
IRRG confianza cinematográfica 40284 6 0.64766 0.98777 0,73700
ArtículoKNNRating confianza cinematográfica 2052 27 0.62341 0.95394 0.67312
PMA confianza cinematográfica 8650 84 0.66383 0.99284 0.70666
LLORMA confianza cinematográfica 16618 82 0.64930 0.96591 0.76067
MFALS confianza cinematográfica 2944 5 0.82939 0.94549 1.30547
NMF confianza cinematográfica 1198 8 0.67661 0.96604 0.83493
PMF confianza cinematográfica 215 7 0.72959 0.98165 0.99948
GBR confianza cinematográfica 19551 270 0,74484 0.98504 0.88968
RFRec confianza cinematográfica 16330 54 0.64008 0.97112 0.69390
SVDPlusPlus confianza cinematográfica 452 26 0.65248 0.99141 0.68289
URP confianza cinematográfica 1514 25 0.64207 0.99128 0.67122
UsuarioKNNRating confianza cinematográfica 1121 135 0.63933 0.94640 0.69280
RSTE confianza cinematográfica 4052 10 0.64303 0.99206 0.67777
SocialMF confianza cinematográfica 918 13 0.64668 0.98881 0.68228
SoRec confianza cinematográfica 1048 10 0.64305 0.99232 0.67776
SoReg confianza cinematográfica 635 8 0.65943 0.96734 0.72760
HoraSVD confianza cinematográfica 11545 36 0.68954 0.93326 0.87783
confianzaMF confianza cinematográfica 2038 7 0.63787 0.98985 0.69017
ConfianzaSVD confianza cinematográfica 12465 Veintidós 0.61984 0.98933 0.63875
AsociaciónRegla confianza cinematográfica 2628 195 0.90853 0.41801 0.57777
PersonalidadDiagnóstico confianza cinematográfica 45 642 0.72964 0.76620 1.03071
PRankingD confianza cinematográfica 3321 170 0.74472 0.22894 0,32406
pendiente uno confianza cinematográfica 135 28 0.63788 0.96175 0.71057
  • modelo de contenido
nombre Conjunto de datos entrenamiento (milisegundos) Predicción (milisegundos) MAE MPE MSE
Calificación EFMR dc_denso 659 8 0.61546 0.85364 0.78279
HFT instrumentos_musicales 162753 13 0.64272 0.94886 0.81393
TemaMFAT instrumentos_musicales 6907 7 0.61896 0.98734 0,72545
TemaMFMT instrumentos_musicales 6323 7 0.61896 0.98734 0,72545

Versión

referirse a

Descripción del modelo personalizado

  • Modelo de referencia
nombre pregunta Descripción/tesis
Adivina al azar Clasificación Clasificación conjetura aleatoria
más popular Categoría más popular
Adivina constante Clasificación conjetura constante
Promedio global Clasificación promedio mundial
ArtículoPromedio Clasificación Promedio del artículo
Clúster de elementos Clasificación Agrupación de artículos
Usuario promedio Clasificación usuario promedio
Clúster de usuarios Clasificación Agrupación de usuarios
  • modelo colaborativo
nombre pregunta Descripción/tesis
Modelo de aspecto Clasificación Clasificación Modelos de clases latentes para filtrado colaborativo.
BHGratis Clasificación Clasificación Equilibrio entre la precisión de la predicción y la recomendación: factores latentes jerárquicos para los datos de preferencia
BUCM Clasificación Clasificación Modelado de selección y relevancia de elementos para recomendaciones precisas
ArtículoKNN Clasificación Clasificación Filtrado colaborativo basado en elementos
UsuarioKNN Clasificación Clasificación Filtrado colaborativo basado en el usuario
AHr Categoría Mejorar el aprendizaje por pares para la recomendación de elementos a partir de comentarios implícitos
BPR Categoría BPR: clasificación personalizada bayesiana a partir de comentarios implícitos
Clima Categoría CLiMF: aprender a maximizar el rango recíproco con un filtrado colaborativo de menos es más
EALS Categoría Filtrado colaborativo para conjuntos de datos de retroalimentación implícita
FISM Categoría FISM: Modelos de similitud de elementos factorizados para sistemas de recomendación Top-N
GBPR Categoría GBPR: clasificación bayesiana personalizada basada en preferencias de grupo para filtrado colaborativo de una clase
HMMForCF Categoría Un modelo de Markov oculto Propósito: una clase para el modelo, incluidos los parámetros
ArtículoBigram Categoría Modelado de temas: más allá de la bolsa de palabras
LambdaFM Categoría LambdaFM: aprendizaje de la clasificación óptima con máquinas de factorización utilizando sustitutos de Lambda
LDA Categoría Asignación latente de Dirichlet para retroalimentación implícita
ListwiseMF Categoría Aprendizaje por listas para clasificar con factorización matricial para filtrado colaborativo
plsa Categoría Modelos semánticos latentes para filtrado colaborativo.
RangoALS Categoría Mínimos cuadrados alternos para una clasificación personalizada
RangoSGD Categoría Conjunto de filtrado colaborativo para clasificación
DELGADO Categoría SLIM: métodos lineales dispersos para sistemas de recomendación Top-N
WBPR Categoría Clasificación bayesiana personalizada para elementos muestreados de manera no uniforme
WRMF Categoría Filtrado colaborativo para conjuntos de datos de retroalimentación implícita
Rank-GeoFM Categoría Rank-GeoFM: un método de factorización geográfica basado en clasificaciones para recomendaciones de puntos de interés
SBPR Categoría Aprovechar las conexiones sociales para mejorar la clasificación personalizada para el filtrado colaborativo
AsociaciónRegla Categoría Un algoritmo de recomendación que utiliza reglas de asociación multinivel
PRankingD Categoría Ranking personalizado con diversidad
AsimétricoSVD++ Clasificación La factorización se encuentra con el vecindario: un modelo de filtrado colaborativo multifacético
Grabación automática Clasificación AutoRec: los codificadores automáticos cumplen con el filtrado colaborativo
BPMF Clasificación Factorización de matriz probabilística bayesiana utilizando la cadena de Markov Monte Carlo
CCD Clasificación Filtrado colaborativo paralelo a gran escala para el premio Netflix
ffm Clasificación Máquinas de factorización con reconocimiento de campo para la predicción del CTR
GPLSA Clasificación Filtrado colaborativo mediante análisis semántico latente probabilístico gaussiano
IRRG Clasificación Explotación de relaciones implícitas entre elementos para sistemas de recomendación
MFALS Clasificación Filtrado colaborativo paralelo a gran escala para el premio Netflix
NMF Clasificación Algoritmos para la factorización de matrices no negativas
PMF Clasificación PMF: Factorización de matriz probabilística
GBR Clasificación Máquinas Boltzman restringidas para filtrado colaborativo
Grabación RF Clasificación RF-Rec: Cálculo rápido y preciso de recomendaciones basadas en frecuencias de calificación
SVD++ Clasificación La factorización se encuentra con el vecindario: un modelo de filtrado colaborativo multifacético
URP Clasificación Perfil de calificación de usuario: un modelo LDA para la predicción de calificaciones
RSTE Clasificación Aprendiendo a recomendar con Social Trust Ensemble
SocialMF Clasificación Una técnica de factorización matricial con propagación de confianza para recomendación en redes sociales.
SoRec Clasificación SoRec: recomendación social mediante factorización matricial probabilística
SoReg Clasificación Sistemas de recomendación con regularización social.
HoraSVD++ Clasificación Filtrado colaborativo con dinámica temporal
confianzaMF Clasificación Filtrado social colaborativo por confianza
ConfianzaSVD Clasificación TrustSVD: filtrado colaborativo con la influencia tanto explícita como implícita de la confianza del usuario y de las valoraciones de los artículos
PersonalidadDiagnóstico Clasificación Una breve introducción al diagnóstico de personalidad
pendiente uno Clasificación Predictores de pendiente uno para filtrado colaborativo basado en calificaciones en línea
  • modelo de contenido
nombre pregunta Descripción/tesis
EFM Clasificación Clasificación Modelos de factores explícitos para recomendaciones explicables basadas en análisis de sentimiento a nivel de frase
TF-IDF Categoría Término frecuencia-frecuencia de documento inversa
HFT Clasificación Factores ocultos y temas ocultos: comprender las dimensiones de calificación con texto de revisión
TemaMF Clasificación TopicMF: Explotación simultánea de calificaciones y reseñas para recomendaciones

Descripción del conjunto de datos

  • Conjunto de datos de Amazon
  • Conjunto de datos de Bibsonomía
  • Conjunto de datos de BookCrossing
  • Conjunto de datos de Ciao
  • Conjunto de datos de Douban
  • Conjunto de datos de cada película
  • Conjunto de datos de opiniones
  • Conjunto de datos cuadrangular
  • Conjunto de datos de Goodbooks
  • Conjunto de datos de Gowalla
  • Conjunto de datos HetRec2011
  • Conjunto de datos del comodín de broma
  • Gran conjunto de datos de reseñas de películas
  • Conjunto de datos MovieLens
  • Conjunto de datos de grupos de noticias
  • Conjunto de datos de la gran red de Stanford
  • Conjunto de datos de Serendipity 2018
  • Conjunto de datos de Wikilens
  • Conjunto de datos de Yelp
  • Conjunto de datos de Yongfeng Zhang

protocolo

JStarCraft RNS sigue el protocolo Apache 2.0 y todos los trabajos derivados basados ​​en él pertenecen al autor del trabajo derivado.

autor

autor Hong Zhaohua
Correo electrónico [email protected], [email protected]

Expresiones de gratitud

Un agradecimiento especial al equipo de LibRec y al grupo QQ del sistema de recomendación (274750470) por su apoyo y ayuda en la recomendación.

Un agradecimiento especial a Lu Xugang por su apoyo y ayuda en la búsqueda.

Donar

Un agradecimiento especial a Hangzhou Chengzi Information Technology Co., Ltd. por su donación al proyecto JStarCraft.

Expandir
Información adicional
Aplicaciones relacionadas
Recomendado para ti
Información relacionada Todo