jstarcraft rns

J스타크래프트 RNS

---

지나가는 학우들이 JStarCraft 프레임워크에 별점을 줄 수 있기를 바랍니다. 이는 저자에게 격려가 될 수 있습니다!

---

목차

• 소개하다
• 특성
• 설치하다
  • JStarCraft Core 프레임워크 설치
  • JStarCraft AI 프레임워크 설치
  • JStarCraft RNS 엔진 설치
• 사용
  • 종속성 설정
  • 빌드 구성자
  • 모델 학습 및 평가
  • 모델 가져오기
• 건축학
• 개념
  • 정보 검색이 필요한 이유
  • 검색과 추천의 유사점과 차이점
  • JStarCraft RNS 엔진은 어떤 문제를 해결하나요?
  • 순위 작업과 평가 작업의 차이점
  • 순위 문제에 평가 알고리즘을 사용할 수 있나요?
• 예
  • JStarCraft RNS 엔진은 BeanShell 스크립트와 상호 작용합니다.
  • JStarCraft RNS 엔진은 Groovy 스크립트와 상호 작용합니다.
  • JStarCraft RNS 엔진은 JS 스크립트와 상호 작용합니다.
  • JStarCraft RNS 엔진은 Kotlin 스크립트와 상호작용합니다.
  • JStarCraft RNS 엔진은 Lua 스크립트와 상호 작용합니다.
  • JStarCraft RNS 엔진은 Python 스크립트와 상호 작용합니다.
  • JStarCraft RNS 엔진은 Ruby 스크립트와 상호 작용합니다.
• 차이
  • 순위 모델 비교
  • 채점 모델 비교
• 버전
• 참조하다
  • 맞춤형 모델 설명
  • 데이터 세트 설명
• 규약
• 작가
• 감사의 말
• 기부

---

소개하다

JStarCraft RNS는 정보 검색 분야를 지향하는 경량 엔진입니다. 이는 Apache 2.0 프로토콜을 따릅니다.

정보 검색 분야의 기본 문제인 추천 및 검색을 해결하는 데 중점을 둡니다.

산업 수준 시나리오의 요구 사항을 충족하는 추천 엔진 설계 및 구현을 제공합니다.

산업 수준 시나리오의 요구 사항을 충족하는 검색 엔진 설계 및 구현을 제공합니다.

---

특성

• 1. 크로스 플랫폼
• 2. 직렬 및 병렬 컴퓨팅
• 3.CPU 및 GPU 하드웨어 가속
• 4. 모델 저장 및 로딩
• 5. 풍부한 추천 및 검색 알고리즘
• 6. 풍부한 스크립트 지원
  • 그루비
  • JS
  • 루아
  • 엠벨
  • 파이썬
  • 루비
• 7. 풍부한 평가 지표
  • 색인 정렬
  • 평가 지표

---

설치하다

JStarCraft RNS를 사용하려면 사용자에게 다음 환경이 필요합니다.

• JDK 8 이상
• 메이븐 3

JStarCraft-Core 프레임워크 설치

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

mvn install -Dmaven.test.skip=true

JStarCraft-AI 프레임워크 설치

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

mvn install -Dmaven.test.skip=true

JStarCraft-RNS 엔진 설치

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

mvn install -Dmaven.test.skip=true

---

사용

종속성 설정

• Maven 종속성 설정

 <dependency>
    <groupId>com.jstarcraft</groupId>
    <artifactId>rns</artifactId>
    <version>1.0</version>
</dependency>

• Gradle 종속성 설정

compile group : ' com.jstarcraft ' , name : ' rns ' , version : ' 1.0 ' 

빌드 구성자

 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 );

모델 학습 및 평가

• 정렬 작업 구축

 RankingTask task = new RankingTask ( RandomGuessModel . class , configurator );
// 训练与评估排序模型
task . execute ();

• 채점 작업 구축

 RatingTask task = new RatingTask ( RandomGuessModel . class , configurator );
// 训练与评估评分模型
task . execute ();

모델 가져오기

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

---

건축학

---

개념

정보 검색이 필요한 이유

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.

검색과 추천의 유사점과 차이점

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 엔진은 어떤 문제를 해결합니까?

 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).

순위 작업과 평가 작업의 차이점

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)

순위 문제에 평가 알고리즘을 사용할 수 있나요?

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)

---

예

JStarCraft-RNS 엔진은 BeanShell 스크립트와 상호 작용합니다.

• 완전한 예

• 모델을 훈련 및 평가하기 위한 BeanShell 스크립트를 작성하고 이를 Model.bsh 파일에 저장합니다.

 // 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 프레임워크를 사용하여 Model.bsh 파일에서 BeanShell 스크립트를 로드하고 실행합니다.

 // 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 엔진은 Groovy 스크립트와 상호 작용합니다.

• 완전한 예

• Groovy 스크립트를 작성하여 모델을 훈련 및 평가하고 Model.groovy 파일에 저장합니다.

 // 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 프레임워크를 사용하여 Model.groovy 파일에서 Groovy 스크립트를 로드하고 실행합니다.

 // 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 엔진은 JS 스크립트와 상호 작용합니다.

• 완전한 예

• JS 스크립트를 작성하여 모델을 학습 및 평가하고 이를 Model.js 파일에 저장합니다.

 // 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 프레임워크를 사용하여 Model.js 파일에서 JS 스크립트를 로드하고 실행합니다.

 // 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 엔진은 Kotlin 스크립트와 상호작용합니다.

• 완전한 예

• 모델을 학습 및 평가하는 Kotlin 스크립트를 작성하고 이를 Model.kt 파일에 저장합니다.

 // 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 프레임워크를 사용하여 Model.kt 파일에서 Kotlin 스크립트 로드 및 실행

 // 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 엔진은 Lua 스크립트와 상호 작용합니다.

• 완전한 예

• Lua 스크립트를 작성하여 모델을 훈련 및 평가하고 Model.lua 파일에 저장합니다.

 -- 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 프레임워크를 사용하여 Model.lua 파일에서 Lua 스크립트를 로드하고 실행합니다.

 // 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 엔진은 Python 스크립트와 상호 작용합니다.

• 완전한 예

• Python 스크립트를 작성하여 모델을 학습 및 평가하고 이를 Model.py 파일에 저장합니다.

 # 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 프레임워크를 사용하여 Model.py 파일에서 Python 스크립트를 로드하고 실행합니다.

 // 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

• 완전한 예

• 모델을 학습 및 평가하는 Ruby 스크립트를 작성하고 Model.rb 파일에 저장합니다.

 # 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 프레임워크를 사용하여 Model.rb 파일에서 Ruby 스크립트를 로드하고 실행합니다.

 // 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 );

---

차이

순위 모델 비교

• 기준 모델

이름	데이터세트	훈련(밀리초)	예측(밀리초)	AUC	지도	MRR	NDCG	진기함	정도	상기하다
가장 인기있는	필름 트러스트	43	273	0.92080	0.41246	0.57196	0.51583	11.79295	0.33230	0.62385
무작위 추측	필름 트러스트	38	391	0.51922	0.00627	0.02170	0.01121	91.94900	0.00550	0.01262

• 협업 모델

이름	데이터세트	훈련(밀리초)	예측(밀리초)	AUC	지도	MRR	NDCG	진기함	정도	상기하다
Ahr	필름 트러스트	12448	253	0.89324	0.38967	0.53990	0.48338	21.13004	0.32295	0.56864
Aspect랭킹	필름 트러스트	177	58	0.85130	0.15498	0.42480	0.26012	37.36273	0.13302	0.31292
BHFree랭킹	필름 트러스트	5720	4257	0.92080	0.41316	0.57231	0.51662	11.79567	0.33276	0.62500
BPR	필름 트러스트	4228	137	0.89390	0.39886	0.54790	0.49180	21.46738	0.32268	0.57623
BUCM랭킹	필름 트러스트	2111	1343	0.90782	0.39794	0.55776	0.49651	13.08073	0.32407	0.59141
CDAE	필름 트러스트	89280	376	0.91880	0.40759	0.56855	0.51089	11.82466	0.33051	0.61967
CLIMF	필름 트러스트	48429	140	0.88293	0.37395	0.52407	0.46572	19.38964	0.32049	0.54605
DeepFM	필름 트러스트	69264	99	0.91679	0.40580	0.56995	0.50985	11.90242	0.32719	0.61426
EALS	필름 트러스트	850	185	0.86132	0.31263	0.45680	0.39475	20.08964	0.27381	0.46271
피스마우크	필름 트러스트	2338	663	0.91216	0.40032	0.55730	0.50114	12.07469	0.32845	0.60294
FISMRMSE	필름 트러스트	4030	729	0.91482	0.40795	0.56470	0.50920	11.91234	0.33044	0.61107
GBPR	필름 트러스트	14827	150	0.92113	0.41003	0.57144	0.51464	11.87609	0.33090	0.62512
흠	게임	38697	11223	0.80559	0.18156	0.37516	0.25803	16.01041	0.14572	0.22810
항목바이그램	필름 트러스트	12492	61	0.88807	0.33520	0.46870	0.42854	17.11172	0.29191	0.53308
항목KNN랭킹	필름 트러스트	2683	250	0.87438	0.33375	0.46951	0.41767	20.23449	0.28581	0.49248
LDA	필름 트러스트	696	161	0.91980	0.41758	0.58130	0.52003	12.31348	0.33336	0.62274
LambdaFMStatic	게임	25052	27078	0.87064	0.27294	0.43640	0.34794	16.47330	0.13941	0.35696
람다FM무게	게임	25232	28156	0.87339	0.27333	0.43720	0.34728	14.71413	0.13742	0.35252
LambdaFM동적	게임	74218	27921	0.87380	0.27288	0.43648	0.34706	13.50578	0.13822	0.35132
목록별MF	필름 트러스트	714	161	0.90820	0.40511	0.56619	0.50521	15.53665	0.32944	0.60092
PLSA	필름 트러스트	1027	116	0.89950	0.41217	0.57187	0.50597	16.01080	0.32401	0.58557
순위ALS	필름 트러스트	3285	182	0.85901	0.29255	0.51014	0.38871	25.27197	0.22931	0.42509
순위CD	제품	1442	8905	0.56271	0.01253	0.04618	0.02682	55.42019	0.01548	0.03520
순위SGD	필름 트러스트	309	113	0.80388	0.23587	0.42290	0.32081	42.83305	0.19363	0.35374
순위VFCD	제품	54273	6524	0.58022	0.01784	0.06181	0.03664	62.95810	0.01980	0.04852
아주 적은	필름 트러스트	62434	91	0.91849	0.44851	0.61083	0.54557	16.67990	0.34019	0.63021
UserKNN랭킹	필름 트러스트	1154	229	0.90752	0.41616	0.57525	0.51393	12.90921	0.32891	0.60152
VBPR	제품	184473	15304	0.54336	0.00920	0.03522	0.01883	45.05101	0.01037	0.02266
WBPR	필름 트러스트	20705	183	0.78072	0.24647	0.33373	0.30442	17.18609	0.25000	0.35516
WRMF	필름 트러스트	482	158	0.90616	0.43278	0.58284	0.52480	15.17956	0.32918	0.60780
순위GeoFM	정사각형	368436	1093	0.72708	0.05485	0.24012	0.11057	37.50040	0.07866	0.08640
SBPR	필름 트러스트	41481	247	0.91010	0.41189	0.56480	0.50726	15.67905	0.32440	0.59699

• 콘텐츠 모델

이름	데이터세트	훈련(밀리초)	예측(밀리초)	AUC	지도	MRR	NDCG	진기함	정도	상기하다
EMF랭킹	dc_dense	2066년	2276	0.61271	0.01611	0.04631	0.04045	53.26140	0.02387	0.07357
TFIDF	뮤지컬_악기	942	1085	0.52756	0.01067	0.01917	0.01773	72.71228	0.00588	0.03103

채점 모델 비교

• 기준 모델

이름	데이터세트	훈련(밀리초)	예측(밀리초)	매	MPE	MSE
상수 추측	필름 트러스트	137	45	1.05608	1.00000	1.42309
글로벌평균	필름 트러스트	60	13	0.71977	0.77908	0.85199
품목평균	필름 트러스트	59	12	0.72968	0.97242	0.86413
아이템클러스터	필름 트러스트	471	41	0.71976	0.77908	0.85198
무작위 추측	필름 트러스트	38	8	1.28622	0.99597	2.47927
사용자평균	필름 트러스트	35	9	0.64618	0.97242	0.70172
사용자 클러스터	필름 트러스트	326	45	0.71977	0.77908	0.85199

• 협업 모델

이름	데이터세트	훈련(밀리초)	예측(밀리초)	매	MPE	MSE
측면평가	필름 트러스트	220	5	0.65754	0.97918	0.71809
ASVDPlusPlus	필름 트러스트	5631	8	0.71975	0.77921	0.85196
편향MF	필름 트러스트	92	6	0.63157	0.98387	0.66220
BHFreeRating	필름 트러스트	6667	76	0.71974	0.77908	0.85198
BPMF	필름 트러스트	25942	52	0.66504	0.98465	0.70210
BUCM평가	필름 트러스트	1843년	30	0.64834	0.99102	0.67992
CCD	제품	15715	9	0.96670	0.93947	1.62145
FFM	필름 트러스트	5422	6	0.63446	0.98413	0.66682
FMALS	필름 트러스트	1854년	5	0.64788	0.96032	0.73636
fmsgd	필름 트러스트	3496	10	0.63452	0.98426	0.66710
GPLSA	필름 트러스트	2567	7	0.67311	0.98972	0.79883
IRRG	필름 트러스트	40284	6	0.64766	0.98777	0.73700
항목KNNR평가	필름 트러스트	2052년	27	0.62341	0.95394	0.67312
LDCC	필름 트러스트	8650	84	0.66383	0.99284	0.70666
로르마	필름 트러스트	16618	82	0.64930	0.96591	0.76067
MFALS	필름 트러스트	2944	5	0.82939	0.94549	1.30547
NMF	필름 트러스트	1198	8	0.67661	0.96604	0.83493
PMF	필름 트러스트	215	7	0.72959	0.98165	0.99948
RBM	필름 트러스트	19551	270	0.74484	0.98504	0.88968
RFRec	필름 트러스트	16330	54	0.64008	0.97112	0.69390
SVDPlusPlus	필름 트러스트	452	26	0.65248	0.99141	0.68289
URP	필름 트러스트	1514	25	0.64207	0.99128	0.67122
사용자KNNR평가	필름 트러스트	1121	135	0.63933	0.94640	0.69280
RSTE	필름 트러스트	4052	10	0.64303	0.99206	0.67777
소셜MF	필름 트러스트	918	13	0.64668	0.98881	0.68228
소렉	필름 트러스트	1048	10	0.64305	0.99232	0.67776
소레그	필름 트러스트	635	8	0.65943	0.96734	0.72760
시간SVD	필름 트러스트	11545	36	0.68954	0.93326	0.87783
트러스트MF	필름 트러스트	2038년	7	0.63787	0.98985	0.69017
TrustSVD	필름 트러스트	12465	스물 둘	0.61984	0.98933	0.63875
연관규칙	필름 트러스트	2628	195	0.90853	0.41801	0.57777
성격진단	필름 트러스트	45	642	0.72964	0.76620	1.03071
P랭크D	필름 트러스트	3321	170	0.74472	0.22894	0.32406
슬로프원	필름 트러스트	135	28	0.63788	0.96175	0.71057

• 콘텐츠 모델

이름	데이터세트	훈련(밀리초)	예측(밀리초)	매	MPE	MSE
EMF평가	dc_dense	659	8	0.61546	0.85364	0.78279
HFT	뮤지컬_악기	162753	13	0.64272	0.94886	0.81393
주제MFAT	뮤지컬_악기	6907	7	0.61896	0.98734	0.72545
주제MFMT	뮤지컬_악기	6323	7	0.61896	0.98734	0.72545

---

버전

---

참조하다

맞춤형 모델 설명

• 기준 모델

이름	질문	설명/논문
무작위 추측	순위 평점	무작위 추측
가장 인기있는	순위	가장 인기있는
상수 추측	평가	끊임없는 추측
글로벌평균	평가	글로벌 평균
품목평균	평가	품목 평균
아이템클러스터	평가	아이템 클러스터링
사용자평균	평가	일반 사용자
사용자 클러스터	평가	사용자 클러스터링

• 협업 모델

이름	질문	설명/논문
측면 모델	순위 평가	협업 필터링을 위한 잠재 클래스 모델
BH무료	순위 평가	예측과 추천 정확도의 균형: 선호도 데이터에 대한 계층적 잠재 요인
BUCM	순위 평가	정확한 추천을 위한 모델링 항목 선택 및 관련성
아이템KNN	순위 평가	항목 기반 협업 필터링
사용자KNN	순위 평가	사용자 기반 협업 필터링
Ahr	순위	암시적 피드백을 통한 항목 추천에 대한 쌍별 학습 개선
BPR	순위	BPR: 암시적 피드백을 통한 베이지안 개인화된 순위 지정
CLIMF	순위	CLiMF: 적은 것이 더 많은 협업 필터링을 통해 상호 순위를 최대화하는 방법 학습
EALS	순위	암시적 피드백 데이터 세트를 위한 협업 필터링
피즘	순위	FISM: Top-N 추천 시스템을 위한 팩터링된 항목 유사성 모델
GBPR	순위	GBPR: 단일 클래스 협업 필터링을 위한 그룹 선호도 기반 베이지안 개인화된 순위
HMMForCF	순위	숨겨진 마르코프 모델 목적: 매개변수를 포함한 모델 클래스
항목바이그램	순위	주제 모델링: Bag-of-Words를 넘어
람다FM	순위	LambdaFM: Lambda 서로게이트를 사용하여 인수 분해 기계로 최적 순위 학습
LDA	순위	암시적 피드백을 위한 잠재 Dirichlet 할당
목록별MF	순위	협업 필터링을 위한 행렬 인수분해로 순위를 매기는 목록별 학습
PLSA	순위	협업 필터링을 위한 잠재 의미 모델
순위ALS	순위	개인화된 순위를 위한 교번 최소 제곱법
순위SGD	순위	순위를 위한 협업 필터링 앙상블
아주 적은	순위	SLIM: 상위 N 추천 시스템을 위한 희소 선형 방법
WBPR	순위	불균일하게 샘플링된 항목에 대한 베이지안 개인화된 순위
WRMF	순위	암시적 피드백 데이터세트를 위한 협업 필터링
순위-GeoFM	순위	Rank-GeoFM: 관심지점 추천을 위한 순위 기반 지리적 인수분해 방법
SBPR	순위	협업 필터링을 위한 개인화된 순위를 향상시키기 위해 소셜 연결을 활용
연관규칙	순위	다단계 연관 규칙을 이용한 추천 알고리즘
P랭크D	순위	다양성을 갖춘 개인화된 순위
비대칭SVD++	평가	인수분해가 이웃을 만나다: 다면적인 협업 필터링 모델
자동녹화	평가	AutoRec: 자동 인코더와 협업 필터링의 만남
BPMF	평가	Markov Chain Monte Carlo를 사용한 베이지안 확률적 행렬 분해
CCD	평가	Netflix Prize를 위한 대규모 병렬 협업 필터링
FFM	평가	CTR 예측을 위한 현장 인식 인수분해 기계
GPLSA	평가	가우스 확률적 잠재 의미 분석을 통한 협업 필터링
IRRG	평가	추천 시스템에 대한 암시적 항목 관계 활용
MFALS	평가	Netflix Prize를 위한 대규모 병렬 협업 필터링
NMF	평가	음이 아닌 행렬 분해를 위한 알고리즘
PMF	평가	PMF: 확률적 행렬 분해
RBM	평가	협업 필터링을 위한 제한된 볼츠만 머신
RF-녹화	평가	RF-Rec: 평가 빈도를 기반으로 추천을 빠르고 정확하게 계산
SVD++	평가	인수분해가 이웃을 만나다: 다면적인 협업 필터링 모델
URP	평가	사용자 평가 프로필: 평가 예측을 위한 LDA 모델
RSTE	평가	사회적 신뢰 앙상블과 함께 추천하는 법 배우기
소셜MF	평가	소셜 네트워크에서 추천을 위한 신뢰 전파를 이용한 행렬 분해 기법
소렉	평가	SoRec: 확률적 행렬 분해를 이용한 소셜 추천
소레그	평가	소셜 정규화가 적용된 추천 시스템
시간SVD++	평가	시간적 역학을 이용한 협업 필터링
트러스트MF	평가	신뢰를 통한 소셜 협업 필터링
TrustSVD	평가	TrustSVD: 사용자 신뢰와 항목 등급의 명시적 및 암시적 영향을 모두 사용하는 협업 필터링
성격진단	평가	성격진단에 대한 간략한 소개
슬로프원	평가	온라인 평가 기반 협업 필터링을 위한 Slope One 예측자

• 콘텐츠 모델

이름	질문	설명/논문
EFM	순위 평가	구문 수준 감정 분석을 기반으로 설명 가능한 추천을 위한 명시적 요인 모델
TF-IDF	순위	용어 빈도 - 역 문서 빈도
HFT	평가	숨겨진 요소 및 숨겨진 주제: 리뷰 텍스트를 통한 평가 차원 이해
주제MF	평가	TopicMF: 평점과 리뷰를 추천에 동시에 활용

데이터 세트 설명

• 아마존 데이터세트
• Bibsonomy 데이터세트
• BookCrossing 데이터 세트
• Ciao 데이터세트
• Douban 데이터세트
• 각 영화 데이터세트
• 에피니언스 데이터세트
• Foursquare 데이터세트
• Goodbooks 데이터세트
• Gowalla 데이터세트
• HetRec2011 데이터세트
• Jest Joker 데이터세트
• 대규모 영화 리뷰 데이터세트
• MovieLens 데이터 세트
• 뉴스그룹 데이터세트
• Stanford 대규모 네트워크 데이터세트
• 세렌디피티 2018 데이터세트
• Wikilens 데이터세트
• Yelp 데이터세트
• Yongfeng Zhang 데이터세트

---

규약

JStarCraft RNS는 Apache 2.0 프로토콜을 따르며 이를 기반으로 한 모든 파생 저작물은 파생 저작물의 작성자에게 귀속됩니다.

---

작가

작가	홍 자오화
이메일	[email protected], [email protected]

---

감사의 말

추천에 대한 지원과 도움을 주신 LibRec 팀과 추천 시스템 QQ 그룹 (274750470)에게 특별히 감사드립니다.

검색에 대한 지원과 도움을 주신 Lu Xugang에게 특별히 감사드립니다.

---

기부

JStarCraft 프로젝트에 기부해주신 Hangzhou Chengzi Information Technology Co., Ltd.에 특별히 감사드립니다.

---