Surpriseのダウンロード - Surpriseソースコードのダウンロード

Surprise

その他のソースコード

ダウンロード

概要

Surprise は、明示的な評価データを扱うレコメンダーシステムを構築および分析するための Python scikit です。

Surprise は次の目的を念頭に置いて設計されました。

ユーザーが実験を完全に制御できるようにします。この目的を達成するために、ドキュメントに重点が置かれており、アルゴリズムのあらゆる詳細を指摘することで、ドキュメントを可能な限り明確かつ正確にするよう努めています。
データセット処理の苦痛を軽減します。ユーザーは、組み込みデータセット (Movielens、Jester) と独自のカスタムデータセットの両方を使用できます。
ベースラインアルゴリズム、近傍法、行列分解ベース (SVD、PMF、SVD++、NMF) など、すぐに使用できるさまざまな予測アルゴリズムを提供します。また、さまざまな類似性測定 (コサイン、MSD、ピアソンなど) が組み込まれています。
新しいアルゴリズムのアイデアを簡単に実装できるようにします。
アルゴリズムのパフォーマンスを評価、分析、比較するためのツールを提供します。相互検証手順は、強力な CV イテレータ (scikit-learn の優れたツールからインスピレーションを得た) と、一連のパラメータに対する徹底的な検索を使用して非常に簡単に実行できます。

SurPRISE (おおよそ :) という名前は、 Simple Python RecommendatIon System Engineの略です。

サプライズは暗黙の評価やコンテンツベースの情報をサポートしていないことに注意してください。

はじめに、例

以下は、データセットを (ダウンロード) ロードし、5 分割相互検証のために分割し、SVD アルゴリズムの MAE と RMSE を計算する方法を示す簡単な例です。

 from surprise import SVD
from surprise import Dataset
from surprise . model_selection import cross_validate

# Load the movielens-100k dataset (download it if needed).
data = Dataset . load_builtin ( 'ml-100k' )

# Use the famous SVD algorithm.
algo = SVD ()

# Run 5-fold cross-validation and print results.
cross_validate ( algo , data , measures = [ 'RMSE' , 'MAE' ], cv = 5 , verbose = True )

出力:

 Evaluating RMSE, MAE of algorithm SVD on 5 split(s).

                  Fold 1  Fold 2  Fold 3  Fold 4  Fold 5  Mean    Std     
RMSE (testset)    0.9367  0.9355  0.9378  0.9377  0.9300  0.9355  0.0029  
MAE (testset)     0.7387  0.7371  0.7393  0.7397  0.7325  0.7375  0.0026  
Fit time          0.62    0.63    0.63    0.65    0.63    0.63    0.01    
Test time         0.11    0.11    0.14    0.14    0.14    0.13    0.02

Surprise ではさらに多くのことができます (GridSearchCV など)。その他の使用例については、ドキュメントを参照してください。

ベンチマーク

以下は、5 分割相互検証手順におけるさまざまなアルゴリズム (デフォルトのパラメーターを含む) の平均 RMSE、MAE、および合計実行時間です。データセットは、Movielens 100k および 1M データセットです。折り目はすべてのアルゴリズムで同じです。すべての実験は、Intel i5 第 11 世代 2.60 GHz を搭載したラップトップで実行されます。これらのテーブルを生成するコードは、ベンチマークの例にあります。

ムービーレンズ 100k	RMSE	前	時間
SVD	0.934	0.737	0:00:06
SVD++ (キャッシュ評価=False)	0.919	0.721	0:01:39
SVD++ (キャッシュ評価=True)	0.919	0.721	0:01:22
NMF	0.963	0.758	0:00:06
スロープワン	0.946	0.743	0:00:09
k-NN	0.98	0.774	0:00:08
中心 k-NN	0.951	0.749	0:00:09
k-NN ベースライン	0.931	0.733	0:00:13
共クラスタリング	0.963	0.753	0:00:06
ベースライン	0.944	0.748	0:00:02
ランダム	1.518	1.219	0:00:01

ムービーレンズ 1M	RMSE	前	時間
SVD	0.873	0.686	0:01:07
SVD++ (キャッシュ評価=False)	0.862	0.672	0:41:06
SVD++ (キャッシュ評価=True)	0.862	0.672	0:34:55
NMF	0.916	0.723	0:01:39
スロープワン	0.907	0.715	0:02:31
k-NN	0.923	0.727	0:05:27
中心 k-NN	0.929	0.738	0:05:43
k-NN ベースライン	0.895	0.706	0:05:55
共クラスタリング	0.915	0.717	0:00:31
ベースライン	0.909	0.719	0:00:19
ランダム	1.504	1.206	0:00:19

インストール

pip を使用する場合 (C コンパイラが必要になります。Windows ユーザーは conda を使用することを好むかもしれません):

 $ pip install scikit-surprise

コンダの場合:

 $ conda install -c conda-forge scikit-surprise

最新バージョンの場合は、リポジトリをクローンしてソースをビルドすることもできます (最初に Cython と numpy が必要です)。

 $ git clone https://github.com/NicolasHug/surprise.git
$ cd surprise
$ pip install .

ライセンスとリファレンス

このプロジェクトは BSD 3 条項ライセンスに基づいてライセンスされているため、商用アプリケーションを含むほぼすべての用途に使用できます。

Surprise がどのように役立つのか知りたいです。遠慮せずに問題を開いて、その使用方法を説明してください。

研究に Surprise を使用する場合は、必ず論文を引用してください。

 @article{Hug2020,
  doi = {10.21105/joss.02174},
  url = {https://doi.org/10.21105/joss.02174},
  year = {2020},
  publisher = {The Open Journal},
  volume = {5},
  number = {52},
  pages = {2174},
  author = {Nicolas Hug},
  title = {Surprise: A Python library for recommender systems},
  journal = {Journal of Open Source Software}
}

貢献者

以下の人物が Surprise に貢献しました。

アシュトウ、アビシェーク・バティア、ボビーインフィジ、カオイ、チエ＝ハン・チェン、ラファエル＝ダヤン、Олег Демиденко、シャルル＝エマニュエル・ディアス、dmamylin、ローリアン・デュカス、マルク・フェーガー、フランクジェイ、ルーカス・ガルケ、ティム・ゲイツ、ピエール＝フランソワ・ヒメネス、ザカリー・グラスマン、ジェフ・ヘイル、ニコラス・フグ、ヤニクス、ジェソーテルリクソン、ドルク・キリチオグル、ラヴィ・ラジュ・クリシュナ、ラピッドシェイ、ヘンジ・リュー、ラヴィ・マキジャ、マヘル・マラブ、マノージ・K、ジェームズ・マクニールス、Naturale0、nju-luke、ピエール＝ルイ・ペシュー、ジェイ・チー、ルーカス・レブシャークレイグ・ロドリゲスSkywhat、Hercules Smith、David Stevens、Vesna Tanko、TrWestdoor、Victor Wang、Mike Lee Williams、Jay Wong、Chenchen Xu、YaoZh1918。

どうもありがとう：）！