หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

ภาพรวม

Surprise เป็น Python scikit สำหรับสร้างและวิเคราะห์ระบบผู้แนะนำที่จัดการกับข้อมูลการให้คะแนนที่ชัดเจน

เซอร์ไพรส์ ได้รับการออกแบบโดยคำนึงถึงวัตถุประสงค์ดังต่อไปนี้ :

  • ให้ผู้ใช้ควบคุมการทดลองได้อย่างสมบูรณ์แบบ ด้วยเหตุนี้ เราจึงให้ความสำคัญอย่างยิ่งกับเอกสารประกอบ ซึ่งเราได้พยายามทำให้มีความชัดเจนและแม่นยำที่สุดเท่าที่จะเป็นไปได้โดยการชี้ให้เห็นทุกรายละเอียดของอัลกอริธึม
  • บรรเทาความเจ็บปวดในการจัดการ Dataset ผู้ใช้สามารถใช้ทั้งชุดข้อมูล ในตัว (Movielens, Jester) และชุดข้อมูล ที่กำหนดเอง ของตนเอง
  • จัดเตรียมอัลกอริธึมการทำนายที่พร้อมใช้งานต่างๆ เช่น อัลกอริธึมพื้นฐาน วิธีการใกล้เคียง การแยกตัวประกอบแบบเมทริกซ์ (SVD, PMF, SVD++, NMF) และอื่นๆ อีกมากมาย นอกจากนี้ยังมีการวัดความคล้ายคลึงกันต่างๆ (โคไซน์, MSD, เพียร์สัน...) ในตัวอีกด้วย
  • ทำให้การนำแนวคิดอัลกอริทึมใหม่ๆ ไปใช้เป็นเรื่องง่าย
  • จัดเตรียมเครื่องมือในการประเมิน วิเคราะห์ และเปรียบเทียบประสิทธิภาพของอัลกอริทึม ขั้นตอนการตรวจสอบความถูกต้องข้ามสามารถดำเนินการได้อย่างง่ายดายมากโดยใช้ตัววนซ้ำ CV อันทรงพลัง (ได้รับแรงบันดาลใจจากเครื่องมือที่ยอดเยี่ยมของ scikit-learn) รวมถึงการค้นหาชุดพารามิเตอร์อย่างละเอียดถี่ถ้วน

ชื่อ SurPRISE (ประมาณ :) ) ย่อมาจาก Simple Python RecommendatIon System Engine

โปรดทราบว่าความประหลาดใจไม่สนับสนุนการให้คะแนนโดยนัยหรือข้อมูลตามเนื้อหา

ตัวอย่างการเริ่มต้นใช้งาน

นี่คือตัวอย่างง่ายๆ ที่แสดงวิธีที่คุณสามารถ (ดาวน์โหลด) โหลดชุดข้อมูล แยกชุดข้อมูลเพื่อตรวจสอบความถูกต้องข้าม 5 เท่า และคำนวณ MAE และ RMSE ของอัลกอริทึม SVD 

 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 )

เอาท์พุต : 

 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

ความประหลาดใจสามารถทำได้ มากกว่า นั้น (เช่น GridSearchCV)! คุณจะพบตัวอย่างการใช้งานเพิ่มเติมในเอกสารประกอบ

เกณฑ์มาตรฐาน

ต่อไปนี้เป็นค่าเฉลี่ย RMSE, MAE และเวลาดำเนินการทั้งหมดของอัลกอริธึมต่างๆ (พร้อมพารามิเตอร์เริ่มต้น) ในขั้นตอนการตรวจสอบข้าม 5 เท่า ชุดข้อมูลคือชุดข้อมูล Movielens 100k และ 1M การพับจะเหมือนกันสำหรับอัลกอริธึมทั้งหมด การทดลองทั้งหมดดำเนินการบนแล็ปท็อปที่ใช้ Intel i5 11th Gen 2.60GHz รหัสสำหรับการสร้างตารางเหล่านี้สามารถพบได้ในตัวอย่างการวัดประสิทธิภาพ

เลนส์มูฟวี่ 100k RMSE แม่ เวลา
สว 0.934 0.737 00:00:06
SVD++ (cache_ratings=เท็จ) 0.919 0.721 0:01:39
SVD++ (แคช_เรตติ้ง=จริง) 0.919 0.721 0:01:22
เอ็นเอ็มเอฟ 0.963 0.758 00:00:06
สโลปวัน 0.946 0.743 00:00:09
เค-เอ็นเอ็น 0.98 0.774 00:00:08
ตั้งศูนย์กลาง k-NN 0.951 0.749 00:00:09
พื้นฐาน k-NN 0.931 0.733 00:00:13
การจัดกลุ่มร่วม 0.963 0.753 00:00:06
พื้นฐาน 0.944 0.748 00:00:02
สุ่ม 1.518 1.219 00:00:01
เลนส์มูฟวี่ 1M RMSE แม่ เวลา
สว 0.873 0.686 0:01:07
SVD++ (cache_ratings=เท็จ) 0.862 0.672 0:41:06
SVD++ (แคช_เรตติ้ง=จริง) 0.862 0.672 0:34:55
เอ็นเอ็มเอฟ 0.916 0.723 0:01:39
สโลปวัน 0.907 0.715 0:02:31
เค-เอ็นเอ็น 0.923 0.727 0:05:27
ตั้งศูนย์กลาง k-NN 0.929 0.738 0:05:43
พื้นฐาน k-NN 0.895 0.706 0:05:55
การจัดกลุ่มร่วม 0.915 0.717 00:00:31
พื้นฐาน 0.909 0.719 00:00:19
สุ่ม 1.504 1.206 00:00:19

การติดตั้ง

ด้วย pip (คุณจะต้องมีคอมไพเลอร์ C ผู้ใช้ Windows อาจชอบใช้ conda): 

 $ pip install scikit-surprise

ด้วยคอนดา: 

 $ conda install -c conda-forge scikit-surprise

สำหรับเวอร์ชันล่าสุด คุณยังสามารถโคลน repo และสร้างแหล่งที่มาได้ (ก่อนอื่นคุณจะต้องมี Cython และ numpy): 

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

ใบอนุญาตและการอ้างอิง

โครงการนี้ได้รับอนุญาตภายใต้ใบอนุญาต BSD 3-Clause ดังนั้นจึงสามารถใช้งานได้เกือบทุกอย่าง รวมถึงแอปพลิเคชันเชิงพาณิชย์

ฉันอยากรู้ว่า Surprise มีประโยชน์กับคุณอย่างไร โปรดอย่าลังเลที่จะเปิดประเด็นและอธิบายวิธีใช้งาน!

โปรดอย่าลืมอ้างอิงบทความนี้หากคุณใช้ Surprise สำหรับการวิจัยของคุณ: 

 @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}
}

ผู้ร่วมให้ข้อมูล

บุคคลต่อไปนี้มีส่วนทำให้เซอร์ไพรส์:

แอชตู, อภิเษก บาเทีย, บ็อบบี้อินฟจ, เฉาอี้, เชียห์-ฮัน เฉิน, ราฟาเอล-ดายัน, Олег Демиденко, ชาร์ลส์-เอ็มมานูเอล ดิอาส, ดมามลิน, ลอเรียน ดูคาสส์, มาร์ค เฟเกอร์, ฟรังค์เจย์, ลูคัส กัลเค, ทิม เกตส์, ปิแอร์-ฟรองซัวส์ กิเมเนซ, แซคารี กลาสแมน, เจฟฟ์ เฮล, นิโคลัส ฮัก, ยานนิกส์, เจเยซอว์เทลล์ริกสัน, โดรุก คิลิตซิโอกลู, ราวี ราจู กฤษณะ, ลาพิดชาย, เฮงจี ลิว, ราวี มาฮิจา, มาเฮอร์ มาลาิบ, มาโนจ เค, เจมส์ แมคนีลิส, Naturale0, เอ็นจู-ลุค, ปิแอร์-หลุยส์ เปเชอซ์, เจย์ ชี, ลูคัส เรบส์เชอร์, เคร็ก โรดริเกซ, สกายวอท, เฮอร์คิวลิส สมิธ, เดวิด สตีเวนส์, เวสนา ทันโก, TrWestdoor, วิกเตอร์ หวาง, ไมค์ ลี วิลเลียมส์, เจย์ หว่อง, เฉินเฉิน ซู, เหยาจือ1918

ขอบคุณมาก :) !

สถานะการพัฒนา

ตั้งแต่เวอร์ชัน 1.1.0 (กันยายน 2019) เป็นต้นไป ฉันจะดูแลรักษาเฉพาะแพ็กเกจ จัดให้มีการแก้ไขจุดบกพร่อง และบางทีอาจมีการปรับปรุงให้สมบูรณ์แบบในบางครั้ง ตอนนี้ฉันมีเวลาน้อยลงในการทุ่มเทให้กับมัน ดังนั้นฉันจึงไม่สามารถพิจารณาคุณสมบัติใหม่ๆ ได้

สำหรับข้อบกพร่อง ปัญหา หรือคำถามเกี่ยวกับเซอร์ไพรส์ โปรดหลีกเลี่ยงการส่งอีเมลถึงฉัน ฉันคงไม่อาจตอบได้) โปรดใช้หน้าโครงการ GitHub แทน เพื่อให้ผู้อื่นได้รับประโยชน์จากหน้าดังกล่าวด้วย

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด