lightfm

Light FM

Status da compilação
Linux
OSX (OpenMP desativado)
Windows (OpenMP desativado)

LightFM é uma implementação Python de uma série de algoritmos de recomendação populares para feedback implícito e explícito, incluindo implementação eficiente de perdas de classificação BPR e WARP. É fácil de usar, rápido (por meio de estimativa de modelo multithread) e produz resultados de alta qualidade.

Também torna possível incorporar metadados de itens e usuários nos algoritmos tradicionais de fatoração de matrizes. Ele representa cada usuário e item como a soma das representações latentes de seus recursos, permitindo assim que as recomendações sejam generalizadas para novos itens (por meio de recursos de item) e para novos usuários (por meio de recursos de usuário).

Para mais detalhes, consulte a Documentação.

Precisar de ajuda? Contate-me por e-mail, Twitter ou Gitter.

Instalação

Instalar a partir pip :

 pip install lightfm

ou Conda:

 conda install -c conda-forge lightfm

Início rápido

Ajustar um modelo de feedback implícito no conjunto de dados MovieLens 100k é muito fácil:

 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 ()

Artigos e tutoriais sobre como usar LightFM

1. Aprendendo a classificar modelos Sketchfab com LightFM
2. Incorporações de metadados para recomendações de inicialização a frio de usuários e itens
3. Sistemas de recomendação - Aprenda Python para ciência de dados
4. Usando LightFM para recomendar projetos a consultores

Como citar

Por favor, cite LightFM se isso ajudar em sua pesquisa. Você pode usar a seguinte entrada do BibTeX:

 @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},
}

Desenvolvimento

Solicitações pull são bem-vindas. Para instalar para desenvolvimento:

1. Clone o repositório: git clone [email protected]:lyst/lightfm.git
2. Configure um ambiente virtual: cd lightfm && python3 -m venv venv && source ./venv/bin/activate
3. Instale-o para desenvolvimento usando pip: pip install -e . && pip install -r test-requirements.txt
4. Você pode executar testes executando ./venv/bin/py.test tests .
5. LightFM usa preto para impor formatação de código e flake8 para linting, consulte lint-requirements.txt .
6. [Opcional]: Você pode instalar o pré-commit localmente antes da formatação e do linting. Instale com:

   pip install pre-commit
   pre-commit install

Ao fazer alterações nos arquivos de extensão .pyx , você precisará executar python setup.py cythonize para produzir os arquivos de extensão .c antes de executar pip install -e . .