lightfm

FM Ringan

Membangun status
Linux
OSX (OpenMP dinonaktifkan)
Windows (OpenMP dinonaktifkan)

LightFM adalah implementasi Python dari sejumlah algoritma rekomendasi populer untuk umpan balik implisit dan eksplisit, termasuk implementasi kerugian peringkat BPR dan WARP yang efisien. Mudah digunakan, cepat (melalui estimasi model multithread), dan memberikan hasil berkualitas tinggi.

Hal ini juga memungkinkan untuk menggabungkan metadata item dan pengguna ke dalam algoritma faktorisasi matriks tradisional. Ini mewakili setiap pengguna dan item sebagai jumlah representasi laten fitur mereka, sehingga memungkinkan rekomendasi untuk digeneralisasikan ke item baru (melalui fitur item) dan ke pengguna baru (melalui fitur pengguna).

Untuk lebih jelasnya, lihat Dokumentasi.

Butuh bantuan? Hubungi saya melalui email, Twitter, atau Gitter.

Instalasi

Instal dari pip :

 pip install lightfm

atau Conda:

 conda install -c conda-forge lightfm

Mulai cepat

Memasang model umpan balik implisit pada kumpulan data MovieLens 100k sangatlah mudah:

 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 dan tutorial penggunaan LightFM

1. Belajar Memberi Peringkat Model Sketchfab dengan LightFM
2. Penyematan Metadata untuk Rekomendasi Cold-start Pengguna dan Item
3. Sistem Rekomendasi - Pelajari Python untuk Ilmu Data
4. Menggunakan LightFM untuk Merekomendasikan Proyek kepada Konsultan

Cara mengutip

Silakan kutip LightFM jika itu membantu penelitian Anda. Anda dapat menggunakan entri BibTeX berikut:

 @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},
}

Perkembangan

Permintaan tarik dipersilakan. Untuk menginstal untuk pengembangan:

1. Kloning repositori: git clone [email protected]:lyst/lightfm.git
2. Siapkan lingkungan virtual: cd lightfm && python3 -m venv venv && source ./venv/bin/activate
3. Instal untuk pengembangan menggunakan pip: pip install -e . && pip install -r test-requirements.txt
4. Anda dapat menjalankan tes dengan menjalankan ./venv/bin/py.test tests .
5. LightFM menggunakan warna hitam untuk menerapkan pemformatan kode dan flake8 untuk linting, lihat lint-requirements.txt .
6. [Opsional]: Anda dapat menginstal pra-komit untuk melakukan pemformatan dan linting secara lokal. Instal dengan:

   pip install pre-commit
   pre-commit install

Saat membuat perubahan pada file berekstensi .pyx , Anda harus menjalankan python setup.py cythonize untuk menghasilkan file berekstensi .c sebelum menjalankan pip install -e . .