lightfm

ЛайтФМ

Статус сборки
Линукс
OSX (OpenMP отключен)
Windows (OpenMP отключен)

LightFM — это реализация на Python ряда популярных алгоритмов рекомендаций как для неявной, так и для явной обратной связи, включая эффективную реализацию потерь ранжирования BPR и WARP. Он прост в использовании, быстр (за счет многопоточной оценки модели) и дает результаты высокого качества.

Это также позволяет включать метаданные как элементов, так и пользователей в традиционные алгоритмы матричной факторизации. Он представляет каждого пользователя и элемент как сумму скрытых представлений их функций, что позволяет обобщать рекомендации для новых элементов (через функции элемента) и новых пользователей (через пользовательские функции).

Более подробную информацию смотрите в документации.

Нужна помощь? Свяжитесь со мной по электронной почте, Twitter или Gitter.

Установка

Установить из pip :

 pip install lightfm

или Конда:

 conda install -c conda-forge lightfm

Быстрый старт

Подобрать модель неявной обратной связи к набору данных MovieLens 100k очень просто:

 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 ()

Статьи и руководства по использованию LightFM

1. Учимся ранжировать модели Sketchfab с помощью LightFM
2. Внедрение метаданных для рекомендаций по холодному запуску для пользователей и объектов
3. Системы рекомендаций — изучение Python для науки о данных
4. Использование LightFM для рекомендации проектов консультантам

Как цитировать

Пожалуйста, цитируйте LightFM, если это поможет вашему исследованию. Вы можете использовать следующую запись 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},
}

Разработка

Запросы на вытягивание приветствуются. Чтобы установить для разработки:

1. Клонируйте репозиторий: git clone [email protected]:lyst/lightfm.git
2. Настройте виртуальную среду: cd lightfm && python3 -m venv venv && source ./venv/bin/activate
3. Установите его для разработки с помощью pip: pip install -e . && pip install -r test-requirements.txt
4. Вы можете запускать тесты, запустив ./venv/bin/py.test tests .
5. LightFM использует черный цвет для обеспечения форматирования кода и flake8 для проверки, см. lint-requirements.txt .
6. [Необязательно]: вы можете установить предварительную фиксацию, чтобы локально обеспечить форматирование и проверку. Установить с помощью:

   pip install pre-commit
   pre-commit install

При внесении изменений в файлы расширения .pyx вам необходимо запустить python setup.py cythonize , чтобы создать файлы расширения .c прежде чем запускать pip install -e . .