lightfm

LumièreFM

Statut de construction
Linux
OSX (OpenMP désactivé)
Windows (OpenMP désactivé)

LightFM est une implémentation Python d'un certain nombre d'algorithmes de recommandation populaires pour les commentaires implicites et explicites, y compris la mise en œuvre efficace des pertes de classement BPR et WARP. Il est facile à utiliser, rapide (via l'estimation de modèle multithread) et produit des résultats de haute qualité.

Il permet également d'incorporer les métadonnées des éléments et des utilisateurs dans les algorithmes de factorisation matricielle traditionnels. Il représente chaque utilisateur et élément comme la somme des représentations latentes de leurs fonctionnalités, permettant ainsi aux recommandations de se généraliser aux nouveaux éléments (via les fonctionnalités de l'élément) et aux nouveaux utilisateurs (via les fonctionnalités utilisateur).

Pour plus de détails, consultez la Documentation.

Besoin d'aide ? Contactez-moi par e-mail, Twitter ou Gitter.

Installation

Installer à partir de pip :

 pip install lightfm

ou Conda :

 conda install -c conda-forge lightfm

Démarrage rapide

Ajuster un modèle de rétroaction implicite sur l'ensemble de données MovieLens 100k est très simple :

 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 ()

Articles et tutoriels sur l'utilisation de LightFM

1. Apprendre à classer les modèles Sketchfab avec LightFM
2. Incorporations de métadonnées pour les recommandations de démarrage à froid des utilisateurs et des éléments
3. Systèmes de recommandation – Apprenez Python pour la science des données
4. Utiliser LightFM pour recommander des projets aux consultants

Comment citer

Veuillez citer LightFM si cela aide votre recherche. Vous pouvez utiliser l'entrée BibTeX suivante :

 @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},
}

Développement

Les demandes de tirage sont les bienvenues. Pour installer pour le développement :

1. Clonez le dépôt : git clone [email protected]:lyst/lightfm.git
2. Configurer un environnement virtuel : cd lightfm && python3 -m venv venv && source ./venv/bin/activate
3. Installez-le pour le développement en utilisant pip : pip install -e . && pip install -r test-requirements.txt
4. Vous pouvez exécuter des tests en exécutant ./venv/bin/py.test tests .
5. LightFM utilise le noir pour appliquer le formatage du code et flake8 pour le peluchage, voir lint-requirements.txt .
6. [Facultatif] : vous pouvez installer le pré-commit pour appliquer localement le formatage et le peluchage. Installer avec :

   pip install pre-commit
   pre-commit install

Lorsque vous apportez des modifications aux fichiers d'extension .pyx , vous devrez exécuter python setup.py cythonize afin de produire les fichiers d'extension .c avant d'exécuter pip install -e . .