jstarcraft rns
1.0.0
Saya berharap teman-teman sekelas yang lewat dapat memberikan bintang pada framework JStarCraft, yang dapat dianggap sebagai penyemangat bagi penulis!
JStarCraft RNS adalah mesin ringan yang berorientasi pada bidang pengambilan informasi. Ini mengikuti protokol Apache 2.0.
Fokus pada pemecahan masalah dasar di bidang pencarian informasi: rekomendasi dan pencarian.
Memberikan rekomendasi desain dan implementasi mesin yang memenuhi persyaratan skenario tingkat industri.
Menyediakan desain dan implementasi mesin pencari yang memenuhi persyaratan skenario tingkat industri.
JStarCraft RNS mengharuskan pengguna untuk memiliki lingkungan berikut:
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)
Contoh lengkap
Tulis skrip BeanShell untuk melatih dan mengevaluasi model dan menyimpannya ke file 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;
// 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 );Contoh lengkap
Tulis skrip Groovy untuk melatih dan mengevaluasi model dan menyimpannya ke file 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 );Contoh lengkap
Tulis skrip JS untuk melatih dan mengevaluasi model dan menyimpannya ke file 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 );Contoh lengkap
Tulis skrip Kotlin untuk melatih dan mengevaluasi model dan menyimpannya ke file 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 ; // 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 );Contoh lengkap
Tulis skrip Lua untuk melatih dan mengevaluasi model dan menyimpannya ke file 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 ; // 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 );Contoh lengkap
Tulis skrip Python untuk melatih dan mengevaluasi model dan menyimpannya ke file 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 ) // 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 );Contoh lengkap
Tulis skrip Ruby untuk melatih dan mengevaluasi model dan menyimpannya ke file 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 ; // 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 );| nama | Kumpulan data | pelatihan (milidetik) | Prediksi (milidetik) | AUC | PETA | MRR | NDCG | Kebaruan | Presisi | Mengingat |
|---|---|---|---|---|---|---|---|---|---|---|
| Paling Populer | kepercayaan film | 43 | 273 | 0,92080 | 0,41246 | 0,57196 | 0,51583 | 11.79295 | 0,33230 | 0,62385 |
| Tebak Acak | kepercayaan film | 38 | 391 | 0,51922 | 0,00627 | 0,02170 | 0,01121 | 91.94900 | 0,00550 | 0,01262 |
| nama | Kumpulan data | pelatihan (milidetik) | Prediksi (milidetik) | AUC | PETA | MRR | NDCG | Kebaruan | Presisi | Mengingat |
|---|---|---|---|---|---|---|---|---|---|---|
| Ahr | kepercayaan film | 12448 | 253 | 0,89324 | 0,38967 | 0,53990 | 0,48338 | 21.13004 | 0,32295 | 0,56864 |
| Peringkat Aspek | kepercayaan film | 177 | 58 | 0,85130 | 0,15498 | 0,42480 | 0,26012 | 37.36273 | 0,13302 | 0,31292 |
| Peringkat BHGratis | kepercayaan film | 5720 | 4257 | 0,92080 | 0,41316 | 0,57231 | 0,51662 | 11.79567 | 0,33276 | 0,62500 |
| BPR | kepercayaan film | 4228 | 137 | 0,89390 | 0,39886 | 0,54790 | 0,49180 | 21.46738 | 0,32268 | 0,57623 |
| Peringkat BUCM | kepercayaan film | 2111 | 1343 | 0,90782 | 0,39794 | 0,55776 | 0,49651 | 13.08073 | 0,32407 | 0,59141 |
| CDAE | kepercayaan film | 89280 | 376 | 0,91880 | 0,40759 | 0,56855 | 0,51089 | 11.82466 | 0,33051 | 0,61967 |
| iklim | kepercayaan film | 48429 | 140 | 0,88293 | 0,37395 | 0,52407 | 0,46572 | 19.38964 | 0,32049 | 0,54605 |
| FM Dalam | kepercayaan film | 69264 | 99 | 0,91679 | 0,40580 | 0,56995 | 0,50985 | 11.90242 | 0,32719 | 0,61426 |
| EAL | kepercayaan film | 850 | 185 | 0,86132 | 0,31263 | 0,45680 | 0,39475 | 20.08964 | 0,27381 | 0,46271 |
| FISMAUC | kepercayaan film | 2338 | 663 | 0,91216 | 0,40032 | 0,55730 | 0,50114 | 12.07469 | 0,32845 | 0,60294 |
| FISMRMSE | kepercayaan film | 4030 | 729 | 0,91482 | 0,40795 | 0,56470 | 0,50920 | 11.91234 | 0,33044 | 0,61107 |
| GBPR | kepercayaan film | 14827 | 150 | 0,92113 | 0,41003 | 0,57144 | 0,51464 | 11.87609 | 0,33090 | 0,62512 |
| HMM | permainan | 38697 | 11223 | 0,80559 | 0,18156 | 0,37516 | 0,25803 | 16.01041 | 0,14572 | 0,22810 |
| BarangBigram | kepercayaan film | 12492 | 61 | 0,88807 | 0,33520 | 0,46870 | 0,42854 | 17.11172 | 0,29191 | 0,53308 |
| Peringkat ItemKNN | kepercayaan film | 2683 | 250 | 0,87438 | 0,33375 | 0,46951 | 0,41767 | 20.23449 | 0,28581 | 0,49248 |
| LDA | kepercayaan film | 696 | 161 | 0,91980 | 0,41758 | 0,58130 | 0,52003 | 12.31348 | 0,33336 | 0,62274 |
| LambdaFMStatis | permainan | 25052 | 27078 | 0,87064 | 0,27294 | 0,43640 | 0,34794 | 16.47330 | 0,13941 | 0,35696 |
| LambdaFMBerat | permainan | 25232 | 28156 | 0,87339 | 0,27333 | 0,43720 | 0,34728 | 14.71413 | 0,13742 | 0,35252 |
| LambdaFMDinamis | permainan | 74218 | 27921 | 0,87380 | 0,27288 | 0,43648 | 0,34706 | 13.50578 | 0,13822 | 0,35132 |
| Daftar bijaksanaMF | kepercayaan film | 714 | 161 | 0,90820 | 0,40511 | 0,56619 | 0,50521 | 15.53665 | 0,32944 | 0,60092 |
| tolong | kepercayaan film | 1027 | 116 | 0,89950 | 0,41217 | 0,57187 | 0,50597 | 16.01080 | 0,32401 | 0,58557 |
| Peringkat | kepercayaan film | 3285 | 182 | 0,85901 | 0,29255 | 0,51014 | 0,38871 | 25.27197 | 0,22931 | 0,42509 |
| PeringkatCD | produk | 1442 | 8905 | 0,56271 | 0,01253 | 0,04618 | 0,02682 | 55.42019 | 0,01548 | 0,03520 |
| PeringkatSGD | kepercayaan film | 309 | 113 | 0,80388 | 0,23587 | 0,42290 | 0,32081 | 42.83305 | 0,19363 | 0,35374 |
| PeringkatVFCD | produk | 54273 | 6524 | 0,58022 | 0,01784 | 0,06181 | 0,03664 | 62.95810 | 0,01980 | 0,04852 |
| LANGSING | kepercayaan film | 62434 | 91 | 0,91849 | 0,44851 | 0,61083 | 0,54557 | 16.67990 | 0,34019 | 0,63021 |
| Peringkat PenggunaKNN | kepercayaan film | 1154 | 229 | 0,90752 | 0,41616 | 0,57525 | 0,51393 | 12.90921 | 0,32891 | 0,60152 |
| VBPR | produk | 184473 | 15304 | 0,54336 | 0,00920 | 0,03522 | 0,01883 | 45.05101 | 0,01037 | 0,02266 |
| WBPR | kepercayaan film | 20705 | 183 | 0,78072 | 0,24647 | 0,33373 | 0,30442 | 17.18609 | 0,25000 | 0,35516 |
| WRMF | kepercayaan film | 482 | 158 | 0,90616 | 0,43278 | 0,58284 | 0,52480 | 15.17956 | 0,32918 | 0,60780 |
| PeringkatGeoFM | Empat persegi | 368436 | 1093 | 0,72708 | 0,05485 | 0,24012 | 0,11057 | 37.50040 | 0,07866 | 0,08640 |
| SBPR | kepercayaan film | 41481 | 247 | 0,91010 | 0,41189 | 0,56480 | 0,50726 | 15.67905 | 0,32440 | 0,59699 |
| nama | Kumpulan data | pelatihan (milidetik) | Prediksi (milidetik) | AUC | PETA | MRR | NDCG | Kebaruan | Presisi | Mengingat |
|---|---|---|---|---|---|---|---|---|---|---|
| Peringkat EFM | dc_dense | 2066 | 2276 | 0,61271 | 0,01611 | 0,04631 | 0,04045 | 53.26140 | 0,02387 | 0,07357 |
| TFIDF | instrumen_musik | 942 | 1085 | 0,52756 | 0,01067 | 0,01917 | 0,01773 | 72.71228 | 0,00588 | 0,03103 |
| nama | Kumpulan data | pelatihan (milidetik) | Prediksi (milidetik) | MAE | MPE | UMK |
|---|---|---|---|---|---|---|
| Tebak Konstan | kepercayaan film | 137 | 45 | 1.05608 | 1,00000 | 1.42309 |
| Rata-rata Global | kepercayaan film | 60 | 13 | 0,71977 | 0,77908 | 0,85199 |
| Rata-rata Barang | kepercayaan film | 59 | 12 | 0,72968 | 0,97242 | 0,86413 |
| Klaster Barang | kepercayaan film | 471 | 41 | 0,71976 | 0,77908 | 0,85198 |
| Tebak Acak | kepercayaan film | 38 | 8 | 1.28622 | 0,99597 | 2.47927 |
| Rata-rata Pengguna | kepercayaan film | 35 | 9 | 0,64618 | 0,97242 | 0,70172 |
| Cluster Pengguna | kepercayaan film | 326 | 45 | 0,71977 | 0,77908 | 0,85199 |
| nama | Kumpulan data | pelatihan (milidetik) | Prediksi (milidetik) | MAE | MPE | UMK |
|---|---|---|---|---|---|---|
| Peringkat Aspek | kepercayaan film | 220 | 5 | 0,65754 | 0,97918 | 0,71809 |
| ASVDPlusPlus | kepercayaan film | 5631 | 8 | 0,71975 | 0,77921 | 0,85196 |
| BiasMF | kepercayaan film | 92 | 6 | 0,63157 | 0,98387 | 0,66220 |
| Peringkat Bebas BH | kepercayaan film | 6667 | 76 | 0,71974 | 0,77908 | 0,85198 |
| BPMF | kepercayaan film | 25942 | 52 | 0,66504 | 0,98465 | 0,70210 |
| Peringkat BUCM | kepercayaan film | 1843 | 30 | 0,64834 | 0,99102 | 0,67992 |
| CCD | produk | 15715 | 9 | 0,96670 | 0,93947 | 1.62145 |
| FFM | kepercayaan film | 5422 | 6 | 0,63446 | 0,98413 | 0,66682 |
| FMAL | kepercayaan film | 1854 | 5 | 0,64788 | 0,96032 | 0,73636 |
| fmsgd | kepercayaan film | 3496 | 10 | 0,63452 | 0,98426 | 0,66710 |
| GPLSA | kepercayaan film | 2567 | 7 | 0,67311 | 0,98972 | 0,79883 |
| IRRG | kepercayaan film | 40284 | 6 | 0,64766 | 0,98777 | 0,73700 |
| Peringkat ItemKNNR | kepercayaan film | 2052 | 27 | 0,62341 | 0,95394 | 0,67312 |
| LDCC | kepercayaan film | 8650 | 84 | 0,66383 | 0,99284 | 0,70666 |
| LLORMA | kepercayaan film | 16618 | 82 | 0,64930 | 0,96591 | 0,76067 |
| MFALS | kepercayaan film | 2944 | 5 | 0,82939 | 0,94549 | 1.30547 |
| NMF | kepercayaan film | 1198 | 8 | 0,67661 | 0,96604 | 0,83493 |
| PMF | kepercayaan film | 215 | 7 | 0,72959 | 0,98165 | 0,99948 |
| RBM | kepercayaan film | 19551 | 270 | 0,74484 | 0,98504 | 0,88968 |
| RFRek | kepercayaan film | 16330 | 54 | 0,64008 | 0,97112 | 0,69390 |
| SVDPlusPlus | kepercayaan film | 452 | 26 | 0,65248 | 0,99141 | 0,68289 |
| URP | kepercayaan film | 1514 | 25 | 0,64207 | 0,99128 | 0,67122 |
| Peringkat PenggunaKNNR | kepercayaan film | 1121 | 135 | 0,63933 | 0,94640 | 0,69280 |
| RSTE | kepercayaan film | 4052 | 10 | 0,64303 | 0,99206 | 0,67777 |
| SosialMF | kepercayaan film | 918 | 13 | 0,64668 | 0,98881 | 0,68228 |
| JadiRec | kepercayaan film | 1048 | 10 | 0,64305 | 0,99232 | 0,67776 |
| JadiReg | kepercayaan film | 635 | 8 | 0,65943 | 0,96734 | 0,72760 |
| WaktuSVD | kepercayaan film | 11545 | 36 | 0,68954 | 0,93326 | 0,87783 |
| TrustMF | kepercayaan film | 2038 | 7 | 0,63787 | 0,98985 | 0,69017 |
| KepercayaanSVD | kepercayaan film | 12465 | dua puluh dua | 0,61984 | 0,98933 | 0,63875 |
| Aturan Asosiasi | kepercayaan film | 2628 | 195 | 0,90853 | 0,41801 | 0,57777 |
| Diagnosis Kepribadian | kepercayaan film | 45 | 642 | 0,72964 | 0,76620 | 1.03071 |
| PrankD | kepercayaan film | 3321 | 170 | 0,74472 | 0,22894 | 0,32406 |
| LerengSatu | kepercayaan film | 135 | 28 | 0,63788 | 0,96175 | 0,71057 |
| nama | Kumpulan data | pelatihan (milidetik) | Prediksi (milidetik) | MAE | MPE | UMK |
|---|---|---|---|---|---|---|
| Peringkat EFMR | dc_dense | 659 | 8 | 0,61546 | 0,85364 | 0,78279 |
| HFT | instrumen_musik | 162753 | 13 | 0,64272 | 0,94886 | 0,81393 |
| TopikMFAT | instrumen_musik | 6907 | 7 | 0,61896 | 0,98734 | 0,72545 |
| TopikMFMT | instrumen_musik | 6323 | 7 | 0,61896 | 0,98734 | 0,72545 |
| nama | pertanyaan | Deskripsi/tesis |
|---|---|---|
| Tebak Acak | Peringkat Peringkat | tebakan acak |
| Paling Populer | Peringkat | paling populer |
| Tebak Konstan | Peringkat | tebakan konstan |
| Rata-rata Global | Peringkat | rata-rata global |
| Rata-rata Barang | Peringkat | Rata-rata barang |
| Klaster Barang | Peringkat | Pengelompokan barang |
| Rata-rata Pengguna | Peringkat | pengguna rata-rata |
| Cluster Pengguna | Peringkat | Pengelompokan pengguna |
| nama | pertanyaan | Deskripsi/tesis |
|---|---|---|
| Model Aspek | Peringkat Peringkat | Model kelas laten untuk pemfilteran kolaboratif |
| BHGratis | Peringkat Peringkat | Menyeimbangkan Akurasi Prediksi dan Rekomendasi: Faktor Laten Hierarki untuk Data Preferensi |
| BUCM | Peringkat Peringkat | Pemodelan Pemilihan Item dan Relevansi untuk Rekomendasi yang Akurat |
| BarangKNN | Peringkat Peringkat | Pemfilteran kolaboratif berbasis item |
| PenggunaKNN | Peringkat Peringkat | Pemfilteran kolaboratif berbasis pengguna |
| Ahr | Peringkat | Meningkatkan pembelajaran berpasangan untuk rekomendasi item dari umpan balik implisit |
| BPR | Peringkat | BPR: Peringkat Personalisasi Bayesian dari Umpan Balik Implisit |
| iklim | Peringkat | CLiMF: belajar memaksimalkan peringkat timbal balik dengan pemfilteran kolaboratif yang lebih baik |
| EAL | Peringkat | Pemfilteran kolaboratif untuk kumpulan data umpan balik implisit |
| FISM | Peringkat | FISM: Model Kesamaan Item Terfaktor untuk Sistem Rekomendasi Top-N |
| GBPR | Peringkat | GBPR: Peringkat Personalisasi Bayesian Berbasis Preferensi Grup untuk Pemfilteran Kolaboratif Satu Kelas |
| HMMForCF | Peringkat | Model Markov Tersembunyi Tujuan: Kelas untuk model, termasuk parameternya |
| BarangBigram | Peringkat | Pemodelan Topik: Melampaui Kata-kata |
| LambdaFM | Peringkat | LambdaFM: Mempelajari Pemeringkatan Optimal dengan Mesin Faktorisasi Menggunakan Pengganti Lambda |
| LDA | Peringkat | Alokasi Dirichlet Laten untuk umpan balik implisit |
| Daftar bijaksanaMF | Peringkat | Pembelajaran berdasarkan daftar untuk menentukan peringkat dengan faktorisasi matriks untuk pemfilteran kolaboratif |
| tolong | Peringkat | Model semantik laten untuk pemfilteran kolaboratif |
| Peringkat | Peringkat | Kuadrat Terkecil Bergantian untuk Pemeringkatan yang Dipersonalisasi |
| PeringkatSGD | Peringkat | Ensemble Penyaringan Kolaboratif untuk Pemeringkatan |
| LANGSING | Peringkat | SLIM: Metode Linear Jarang untuk Sistem Rekomendasi Top-N |
| WBPR | Peringkat | Peringkat Personalisasi Bayesian untuk Item Sampel yang Tidak Seragam |
| WRMF | Peringkat | Pemfilteran kolaboratif untuk kumpulan data umpan balik implisit |
| Peringkat-GeoFM | Peringkat | Rank-GeoFM: Metode faktorisasi geografis berdasarkan peringkat untuk rekomendasi tempat menarik |
| SBPR | Peringkat | Memanfaatkan Koneksi Sosial untuk Meningkatkan Peringkat yang Dipersonalisasi untuk Pemfilteran Kolaboratif |
| Aturan Asosiasi | Peringkat | Algoritma Rekomendasi Menggunakan Aturan Asosiasi Multi-Level |
| PrankD | Peringkat | Peringkat yang dipersonalisasi dengan keragaman |
| AsimetrisSVD++ | Peringkat | Faktorisasi Memenuhi Lingkungan: Model Penyaringan Kolaboratif Beraneka Ragam |
| Rek Otomatis | Peringkat | AutoRec: Autoencoder Memenuhi Pemfilteran Kolaboratif |
| BPMF | Peringkat | Faktorisasi Matriks Probabilistik Bayesian menggunakan Markov Chain Monte Carlo |
| CCD | Peringkat | Pemfilteran Kolaboratif Paralel Skala Besar untuk Hadiah Netflix |
| FFM | Peringkat | Mesin Faktorisasi Sadar Lapangan untuk Prediksi RKT |
| GPLSA | Peringkat | Pemfilteran Kolaboratif melalui Analisis Semantik Laten Probabilistik Gaussian |
| IRRG | Peringkat | Memanfaatkan Hubungan Item Implisit untuk Sistem Rekomendasi |
| MFALS | Peringkat | Pemfilteran Kolaboratif Paralel Skala Besar untuk Hadiah Netflix |
| NMF | Peringkat | Algoritma Faktorisasi Matriks Non-negatif |
| PMF | Peringkat | PMF: Faktorisasi Matriks Probabilistik |
| RBM | Peringkat | Mesin Boltzman Terbatas untuk Pemfilteran Kolaboratif |
| RF-Rek | Peringkat | RF-Rec: Perhitungan Rekomendasi yang Cepat dan Akurat berdasarkan Frekuensi Pemeringkatan |
| SVD++ | Peringkat | Faktorisasi Memenuhi Lingkungan: Model Penyaringan Kolaboratif Beraneka Ragam |
| URP | Peringkat | Profil Peringkat Pengguna: model LDA untuk prediksi peringkat |
| RSTE | Peringkat | Belajar Merekomendasikan dengan Social Trust Ensemble |
| SosialMF | Peringkat | Teknik faktorisasi matriks dengan propagasi kepercayaan untuk rekomendasi di jejaring sosial |
| JadiRec | Peringkat | SoRec: Rekomendasi sosial menggunakan faktorisasi matriks probabilistik |
| JadiReg | Peringkat | Sistem pemberi rekomendasi dengan regularisasi sosial |
| WaktuSVD++ | Peringkat | Pemfilteran Kolaboratif dengan Dinamika Temporal |
| TrustMF | Peringkat | Penyaringan Kolaboratif Sosial berdasarkan Kepercayaan |
| KepercayaanSVD | Peringkat | TrustSVD: Pemfilteran Kolaboratif dengan Pengaruh Eksplisit dan Implisit dari Kepercayaan Pengguna dan Peringkat Item |
| Diagnosis Kepribadian | Peringkat | Pengantar singkat tentang Diagnosis Kepribadian |
| LerengSatu | Peringkat | Prediktor Slope One untuk Pemfilteran Kolaboratif Berbasis Peringkat Online |
| nama | pertanyaan | Deskripsi/tesis |
|---|---|---|
| EFM | Peringkat Peringkat | Model faktor eksplisit untuk rekomendasi yang dapat dijelaskan berdasarkan analisis sentimen tingkat frase |
| TF-IDF | Peringkat | Frekuensi istilah kebalikan dari frekuensi dokumen |
| HFT | Peringkat | Faktor tersembunyi dan topik tersembunyi: memahami dimensi rating dengan teks ulasan |
| TopikMF | Peringkat | TopicMF: Memanfaatkan Peringkat dan Ulasan Secara Bersamaan untuk Rekomendasi |
JStarCraft RNS mengikuti protokol Apache 2.0, dan semua karya turunan berdasarkan protokol tersebut adalah milik penulis karya turunan tersebut.
| pengarang | Hong Zhaohua |
|---|---|
| [email protected], [email protected] |
Terima kasih khusus kepada tim LibRec dan grup sistem rekomendasi QQ (274750470) atas dukungan dan bantuan mereka dalam memberikan rekomendasi.
Terima kasih khusus kepada Lu Xugang atas dukungan dan bantuannya dalam pencarian.
Terima kasih khusus kepada Hangzhou Chengzi Information Technology Co., Ltd. yang telah menyumbang untuk proyek JStarCraft.
