ホーム>プログラミング関連>その他のソースコード
ダウンロード

JStarCraft RNS

通りすがりのクラスメートが JStarCraft フレームワークに星を付けていただければ幸いです。これは作者への励ましとも言えます。

目次

  • 導入
  • 特性
  • インストール
    • JStarCraft コア フレームワークをインストールする
    • JStarCraft AI フレームワークをインストールする
    • JStarCraft RNS エンジンをインストールする
  • 使用
    • 依存関係を設定する
    • ビルドコンフィギュレーター
    • モデルのトレーニングと評価
    • モデルの取得
  • 建築
  • コンセプト
    • なぜ情報検索が必要なのか
    • 検索とレコメンデーションの類似点と相違点
    • JStarCraft RNS エンジンはどのような問題を解決しますか?
    • ランキングタスクとレーティングタスクの違い
    • 評価アルゴリズムはランキング問題に使用できますか?
  • 例
    • JStarCraft RNS エンジンは BeanShell スクリプトと対話します
    • JStarCraft RNS エンジンは Groovy スクリプトと対話します
    • JStarCraft RNS エンジンは JS スクリプトと対話します
    • JStarCraft RNS エンジンは Kotlin スクリプトと対話します
    • JStarCraft RNS エンジンは Lua スクリプトと対話します
    • JStarCraft RNS エンジンは Python スクリプトと対話します
    • JStarCraft RNS エンジンは Ruby スクリプトと対話します
  • 対比
    • ランキングモデル比較
    • スコアリングモデルの比較
  • バージョン
  • 参照
    • パーソナライズされたモデルの説明
    • データセットの説明
  • プロトコル
  • 著者
  • 謝辞
  • 寄付する

導入

JStarCraft RNS は、Apache 2.0 プロトコルに準拠した情報検索の分野を対象とした軽量エンジンです。

情報検索の分野における基本的な問題、つまり推奨と検索の解決に焦点を当てます。

産業レベルのシナリオの要件を満たすレコメンデーション エンジンの設計と実装を提供します。

産業レベルのシナリオの要件を満たす検索エンジンの設計と実装を提供します。

特性

  • 1. クロスプラットフォーム
  • 2. シリアルコンピューティングとパラレルコンピューティング
  • 3.CPUとGPUのハードウェアアクセラレーション
  • 4. モデルの保存とロード
  • 5. 豊富なレコメンデーションと検索アルゴリズム
  • 6. 豊富なスクリプトのサポート
    • グルーヴィー
    • JS
    • ルア
    • MVEL
    • パイソン
    • ルビー
  • 7. 豊富な評価指標
    • ソートインデックス
    • 評価指標

インストール

JStarCraft RNS を使用するには、ユーザーに次の環境が必要です。

  • JDK 8以降
  • メイブン 3

JStarCraft-Core フレームワークをインストールする

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

mvn install -Dmaven.test.skip=true

JStarCraft-AI フレームワークをインストールする

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

mvn install -Dmaven.test.skip=true

JStarCraft-RNS エンジンをインストールする

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

mvn install -Dmaven.test.skip=true

使用

依存関係を設定する

  • Maven の依存関係を設定する
 <dependency>
    <groupId>com.jstarcraft</groupId>
    <artifactId>rns</artifactId>
    <version>1.0</version>
</dependency>
  • Gradle の依存関係を設定する
compile group : ' com.jstarcraft ' , name : ' rns ' , version : ' 1.0 '

ビルドコンフィギュレーター

 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 );

モデルのトレーニングと評価

  • 並べ替えタスクを構築する
 RankingTask task = new RankingTask ( RandomGuessModel . class , configurator );
// 训练与评估排序模型
task . execute ();
  • スコアリングタスクを構築する
 RatingTask task = new RatingTask ( RandomGuessModel . class , configurator );
// 训练与评估评分模型
task . execute ();

モデルの取得

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

建築

コンセプト

なぜ情報検索が必要なのか

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.

検索とレコメンデーションの類似点と相違点

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 エンジンはどのような問題を解決しますか? 

 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).

ランキングタスクとレーティングタスクの違い

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)

評価アルゴリズムはランキング問題に使用できますか? 

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)

例

JStarCraft-RNS エンジンは BeanShell スクリプトと対話します

  • 完全な例

  • BeanShell スクリプトを作成してモデルをトレーニングおよび評価し、Model.bsh ファイルに保存します。 

 // 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;
  • JStarCraft フレームワークを使用して、Model.bsh ファイルから BeanShell スクリプトをロードして実行します。 
 // 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 );

JStarCraft-RNS エンジンは Groovy スクリプトと対話します

  • 完全な例

  • Groovy スクリプトを作成してモデルをトレーニングおよび評価し、Model.groovy ファイルに保存します。 

 // 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;
  • JStarCraft フレームワークを使用して、Model.groovy ファイルから Groovy スクリプトをロードして実行します。 
 // 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 );

JStarCraft-RNS エンジンは JS スクリプトと対話します

  • 完全な例

  • モデルをトレーニングおよび評価するための JS スクリプトを作成し、Model.js ファイルに保存します。 

 // 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 ;
  • JStarCraft フレームワークを使用して、Model.js ファイルから JS スクリプトをロードして実行します。 
 // 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 );

JStarCraft-RNS エンジンは Kotlin スクリプトと対話します

  • 完全な例

  • Kotlin スクリプトを作成してモデルをトレーニングおよび評価し、Model.kt ファイルに保存します。 

 // 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 ;
  • JStarCraft フレームワークを使用して Model.kt ファイルから Kotlin スクリプトをロードして実行する
 // 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 );

JStarCraft-RNS エンジンは Lua スクリプトと対話します

  • 完全な例

  • Lua スクリプトを作成してモデルをトレーニングおよび評価し、Model.lua ファイルに保存します。 

 -- 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 ;
  • JStarCraft フレームワークを使用して、Model.lua ファイルから Lua スクリプトをロードして実行します。 
 // 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 );

JStarCraft-RNS エンジンは Python スクリプトと対話します

  • 完全な例

  • Python スクリプトを作成してモデルをトレーニングおよび評価し、Model.py ファイルに保存します。 

 # 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 )
  • JStarCraft フレームワークを使用して、Model.py ファイルから Python スクリプトをロードして実行します。 
 // 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

  • 完全な例

  • Ruby スクリプトを作成してモデルをトレーニングおよび評価し、Model.rb ファイルに保存します。 

 # 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 ;
  • JStarCraft フレームワークを使用して、Model.rb ファイルから Ruby スクリプトをロードして実行します。 
 // 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 );

対比

ランキングモデル比較

  • ベースラインモデル
名前データセットトレーニング (ミリ秒)予測 (ミリ秒) AUC地図MRR NDCGノベルティ精度想起
最も人気のあるフィルムトラスト43 273 0.92080 0.41246 0.57196 0.51583 11.79295 0.33230 0.62385
ランダム推測フィルムトラスト38 391 0.51922 0.00627 0.02170 0.01121 91.94900 0.00550 0.01262
  • コラボモデル
名前データセットトレーニング (ミリ秒)予測 (ミリ秒) AUC地図MRR NDCGノベルティ精度想起
ああフィルムトラスト12448 253 0.89324 0.38967 0.53990 0.48338 21.13004 0.32295 0.56864
アスペクトランキングフィルムトラスト177 58 0.85130 0.15498 0.42480 0.26012 37.36273 0.13302 0.31292
BHフリーランキングフィルムトラスト5720 4257 0.92080 0.41316 0.57231 0.51662 11.79567 0.33276 0.62500
BPRフィルムトラスト4228 137 0.89390 0.39886 0.54790 0.49180 21.46738 0.32268 0.57623
BUCMランキングフィルムトラスト2111 1343 0.90782 0.39794 0.55776 0.49651 13.08073 0.32407 0.59141
CDAEフィルムトラスト89280 376 0.91880 0.40759 0.56855 0.51089 11.82466 0.33051 0.61967
CliMFフィルムトラスト48429 140 0.88293 0.37395 0.52407 0.46572 19.38964 0.32049 0.54605
DeepFMフィルムトラスト69264 99 0.91679 0.40580 0.56995 0.50985 11.90242 0.32719 0.61426
EALSフィルムトラスト850 185 0.86132 0.31263 0.45680 0.39475 20.08964 0.27381 0.46271
フィスマックフィルムトラスト2338 663 0.91216 0.40032 0.55730 0.50114 12.07469 0.32845 0.60294
フィスムルムスフィルムトラスト4030 729 0.91482 0.40795 0.56470 0.50920 11.91234 0.33044 0.61107
GBPRフィルムトラスト14827 150 0.92113 0.41003 0.57144 0.51464 11.87609 0.33090 0.62512
ふーむゲーム38697 11223 0.80559 0.18156 0.37516 0.25803 16.01041 0.14572 0.22810
アイテムバイグラムフィルムトラスト12492 61 0.88807 0.33520 0.46870 0.42854 17.11172 0.29191 0.53308
アイテムKNNラ​​ンキングフィルムトラスト2683 250 0.87438 0.33375 0.46951 0.41767 20.23449 0.28581 0.49248
LDAフィルムトラスト696 161 0.91980 0.41758 0.58130 0.52003 12.31348 0.33336 0.62274
LambdaFM静的ゲーム25052 27078 0.87064 0.27294 0.43640 0.34794 16.47330 0.13941 0.35696
ラムダFM重量ゲーム25232 28156 0.87339 0.27333 0.43720 0.34728 14.71413 0.13742 0.35252
ラムダFM動的ゲーム74218 27921 0.87380 0.27288 0.43648 0.34706 13.50578 0.13822 0.35132
リストワイズMFフィルムトラスト714 161 0.90820 0.40511 0.56619 0.50521 15.53665 0.32944 0.60092
PLSAフィルムトラスト1027 116 0.89950 0.41217 0.57187 0.50597 16.01080 0.32401 0.58557
RankALSフィルムトラスト3285 182 0.85901 0.29255 0.51014 0.38871 25.27197 0.22931 0.42509
ランクCD製品1442 8905 0.56271 0.01253 0.04618 0.02682 55.42019 0.01548 0.03520
ランクSGDフィルムトラスト309 113 0.80388 0.23587 0.42290 0.32081 42.83305 0.19363 0.35374
ランクVFCD製品54273 6524 0.58022 0.01784 0.06181 0.03664 62.95810 0.01980 0.04852
スリムフィルムトラスト62434 91 0.91849 0.44851 0.61083 0.54557 16.67990 0.34019 0.63021
ユーザーKNNランキングフィルムトラスト1154 229 0.90752 0.41616 0.57525 0.51393 12.90921 0.32891 0.60152
VBPR製品184473 15304 0.54336 0.00920 0.03522 0.01883 45.05101 0.01037 0.02266
WBPRフィルムトラスト20705 183 0.78072 0.24647 0.33373 0.30442 17.18609 0.25000 0.35516
WRMFフィルムトラスト482 158 0.90616 0.43278 0.58284 0.52480 15.17956 0.32918 0.60780
RankGeoFMフォースクエア368436 1093 0.72708 0.05485 0.24012 0.11057 37.50040 0.07866 0.08640
SBPRフィルムトラスト41481 247 0.91010 0.41189 0.56480 0.50726 15.67905 0.32440 0.59699
  • コンテンツモデル
名前データセットトレーニング (ミリ秒)予測 (ミリ秒) AUC地図MRR NDCGノベルティ精度想起
EFMランキングdc_dense 2066年2276 0.61271 0.01611 0.04631 0.04045 53.26140 0.02387 0.07357
TFIDF楽器942 1085 0.52756 0.01067 0.01917 0.01773 72.71228 0.00588 0.03103

スコアリングモデルの比較

  • ベースラインモデル
名前データセットトレーニング (ミリ秒)予測 (ミリ秒)前MPE MSE
定数推測フィルムトラスト137 45 1.05608 1.00000 1.42309
グローバル平均フィルムトラスト60 13 0.71977 0.77908 0.85199
項目平均フィルムトラスト59 12 0.72968 0.97242 0.86413
アイテムクラスターフィルムトラスト471 41 0.71976 0.77908 0.85198
ランダム推測フィルムトラスト38 8 1.28622 0.99597 2.47927
ユーザー平均フィルムトラスト35 9 0.64618 0.97242 0.70172
ユーザークラスターフィルムトラスト326 45 0.71977 0.77908 0.85199
  • コラボモデル
名前データセットトレーニング (ミリ秒)予測 (ミリ秒)前MPE MSE
アスペクトレーティングフィルムトラスト220 5 0.65754 0.97918 0.71809
ASVDプラスプラスフィルムトラスト5631 8 0.71975 0.77921 0.85196
偏ったMFフィルムトラスト92 6 0.63157 0.98387 0.66220
BHフリー評価フィルムトラスト6667 76 0.71974 0.77908 0.85198
BPMFフィルムトラスト25942 52 0.66504 0.98465 0.70210
BUCMR評価フィルムトラスト1843年30 0.64834 0.99102 0.67992
CCD製品15715 9 0.96670 0.93947 1.62145
FFMフィルムトラスト5422 6 0.63446 0.98413 0.66682
FMALSフィルムトラスト1854年5 0.64788 0.96032 0.73636
fmsgdフィルムトラスト3496 10 0.63452 0.98426 0.66710
GPLSAフィルムトラスト2567 7 0.67311 0.98972 0.79883
IRRGフィルムトラスト40284 6 0.64766 0.98777 0.73700
アイテムKNNRatingフィルムトラスト2052年27 0.62341 0.95394 0.67312
LDCCフィルムトラスト8650 84 0.66383 0.99284 0.70666
ロルマフィルムトラスト16618 82 0.64930 0.96591 0.76067
MFALSフィルムトラスト2944 5 0.82939 0.94549 1.30547
NMFフィルムトラスト1198 8 0.67661 0.96604 0.83493
PMFフィルムトラスト215 7 0.72959 0.98165 0.99948
RBMフィルムトラスト19551 270 0.74484 0.98504 0.88968
RFRecフィルムトラスト16330 54 0.64008 0.97112 0.69390
SVDプラスプラスフィルムトラスト452 26 0.65248 0.99141 0.68289
URPフィルムトラスト1514 25 0.64207 0.99128 0.67122
ユーザーKNNRatingフィルムトラスト1121 135 0.63933 0.94640 0.69280
RSTEフィルムトラスト4052 10 0.64303 0.99206 0.67777
ソーシャルMFフィルムトラスト918 13 0.64668 0.98881 0.68228
ソレックフィルムトラスト1048 10 0.64305 0.99232 0.67776
ソレグフィルムトラスト635 8 0.65943 0.96734 0.72760
時間SVDフィルムトラスト11545 36 0.68954 0.93326 0.87783
トラストMFフィルムトラスト2038年7 0.63787 0.98985 0.69017
トラストSVDフィルムトラスト12465 22 0.61984 0.98933 0.63875
アソシエーションルールフィルムトラスト2628 195 0.90853 0.41801 0.57777
性格診断フィルムトラスト45 642 0.72964 0.76620 1.03071
PランクDフィルムトラスト3321 170 0.74472 0.22894 0.32406
スロープワンフィルムトラスト135 28 0.63788 0.96175 0.71057
  • コンテンツモデル
名前データセットトレーニング (ミリ秒)予測 (ミリ秒)前MPE MSE
EFM評価dc_dense 659 8 0.61546 0.85364 0.78279
HFT楽器162753 13 0.64272 0.94886 0.81393
トピックMFAT楽器6907 7 0.61896 0.98734 0.72545
トピックMFMT楽器6323 7 0.61896 0.98734 0.72545

バージョン

参照

パーソナライズされたモデルの説明

  • ベースラインモデル
名前質問説明/論文
ランダム推測ランキング評価ランダムな推測
最も人気のあるランキング最も人気のある
定数推測評価一定の推測
グローバル平均評価世界平均
項目平均評価項目平均
アイテムクラスター評価アイテムのクラスタリング
ユーザー平均評価平均的なユーザー
ユーザークラスター評価ユーザーのクラスタリング
  • コラボモデル
名前質問説明/論文
アスペクトモデルランキング評価協調フィルタリング用の潜在クラス モデル
BHフリーランキング評価予測と推奨精度のバランスをとる: 嗜好データの階層的潜在要素
BUCMランキング評価正確な推奨事項のための項目の選択と関連性のモデリング
アイテムKNNランキング評価アイテムベースの協調フィルタリング
ユーザーKNNランキング評価ユーザーベースの協調フィルタリング
ああランキング暗黙的なフィードバックからのアイテム推奨のペアワイズ学習の改善
BPRランキングBPR: 暗黙的なフィードバックからのベイジアンパーソナライズされたランキング
CliMFランキングCLiMF: 協調的な Less is More フィルタリングを使用して相互ランクを最大化する方法を学習する
EALSランキング暗黙的フィードバック データセットの協調フィルタリング
FISMランキングFISM: トップ N レコメンダー システムの因数分解されたアイテム類似性モデル
GBPRランキングGBPR: ワンクラス協調フィルタリングのためのグループプリファレンスベースのベイジアンパーソナライズランキング
HMMForCFランキング隠れマルコフ モデル 目的: パラメータを含むモデルのクラス
アイテムバイグラムランキングトピックモデリング: 言葉の枠を超えて
ラムダFMランキングLambdaFM: Lambda サロゲートを使用した因数分解マシンによる最適なランキングの学習
LDAランキング暗黙的なフィードバックのための潜在的なディリクレ割り当て
リストワイズMFランキング協調フィルタリングの行列因数分解を使用してランク付けするリスト単位の学習
PLSAランキング協調フィルタリングの潜在セマンティック モデル
RankALSランキングパーソナライズされたランキングのための交互最小二乗法
ランクSGDランキングランキング用の協調フィルタリング アンサンブル
スリムランキングSLIM: トップ N レコメンダー システム用のスパース線形法
WBPRランキング不均一にサンプリングされた項目に対するベイジアンのパーソナライズされたランキング
WRMFランキング暗黙的なフィードバック データセットの協調フィルタリング
ランク-GeoFMランキングRank-GeoFM: 興味のある地点を推奨するためのランキングベースの地理的因数分解方法
SBPRランキングソーシャルコネクションを活用して協調フィルタリングのパーソナライズされたランキングを向上させる
アソシエーションルールランキングマルチレベル関連付けルールを使用した推奨アルゴリズム
PランクDランキング多様性のあるパーソナライズされたランキング
非対称SVD++評価因数分解と近傍の融合: 多面的な協調フィルタリング モデル
自動記録評価AutoRec: オートエンコーダーと協調フィルタリングの出会い
BPMF評価マルコフ連鎖モンテカルロを使用したベイズ確率行列因数分解
CCD評価Netflix賞の大規模並列協調フィルタリング
FFM評価CTR 予測のためのフィールド対応因数分解マシン
GPLSA評価ガウス確率的潜在意味解析による協調フィルタリング
IRRG評価暗黙的なアイテム関係をレコメンダー システムに利用する
MFALS評価Netflix賞の大規模並列協調フィルタリング
NMF評価非負行列因数分解のアルゴリズム
PMF評価PMF: 確率的行列因数分解
RBM評価協調フィルタリング用の制限付きボルツマン マシン
RF-Rec評価RF-Rec: 評価周波数に基づいた推奨事項の高速かつ正確な計算
SVD++評価因数分解と近傍の融合: 多面的な協調フィルタリング モデル
URP評価ユーザー評価プロファイル: 評価予測用の LDA モデル
RSTE評価Social Trust Ensemble で推奨することを学ぶ
ソーシャルMF評価ソーシャルネットワークでのレコメンデーションのための信頼伝播を備えた行列因数分解手法
ソレック評価SoRec: 確率的行列因数分解を使用した社会的推奨
ソレグ評価ソーシャル正則化を備えたレコメンダー システム
時間SVD++評価時間的ダイナミクスを使用した協調フィルタリング
トラストMF評価信頼によるソーシャル協調フィルタリング
トラストSVD評価TrustSVD: ユーザーの信頼とアイテム評価の明示的および暗黙的な影響を伴う協調フィルタリング
性格診断評価性格診断を簡単に紹介
スロープワン評価オンライン評価ベースの協調フィルタリング用のスロープ ワン予測子
  • コンテンツモデル
名前質問説明/論文
EFMランキング評価フレーズレベルのセンチメント分析に基づいた説明可能な推奨事項のための明示的要因モデル
TF-IDFランキング用語頻度 - 文書頻度の逆数
HFT評価隠れた要素と隠れたトピック: レビュー テキストによる評価の次元を理解する
トピックMF評価TopicMF: 評価とレビューを同時に活用して推奨する

データセットの説明

  • アマゾンデータセット
  • ビブソノミー データセット
  • BookCrossing データセット
  • チャオデータセット
  • Douban データセット
  • 各映画データセット
  • エピニオン データセット
  • Foursquare データセット
  • グッドブック データセット
  • ゴワラ データセット
  • HetRec2011 データセット
  • ジェスト ジョーカー データセット
  • 大規模な映画レビュー データセット
  • MovieLens データセット
  • ニュースグループ データセット
  • スタンフォードの大規模ネットワーク データセット
  • セレンディピティ 2018 データセット
  • ウィキレンズ データセット
  • Yelp データセット
  • Yongfeng Zhang データセット

プロトコル

JStarCraft RNS は Apache 2.0 プロトコルに従っており、これに基づくすべての派生作品は派生作品の作成者に属します。

著者

著者ホン・ジャオファ
電子メール[email protected]、[email protected]

謝辞

LibRec チームとレコメンデーション システム QQ グループ(274750470) のサポートとレコメンデーションへの協力に心より感謝いたします。

Lu Xugang のサポートと検索にご協力いただきましたことに心より感謝いたします。

寄付する

JStarCraft プロジェクトに寄付してくださった Hangzhou Chengzi Information Technology Co., Ltd. に心より感謝いたします。

拡大する
追加情報
関連アプリ
おすすめ
関連情報 すべて