jstarcraft rns

เจสตาร์คราฟต์ อาร์เอ็นเอส

---

ฉันหวังว่าเพื่อนร่วมชั้นที่ผ่านไปมาสามารถมอบดาวให้เฟรมเวิร์ก JStarCraft ได้ ซึ่งถือเป็นกำลังใจให้กับผู้เขียน!

---

สารบัญ

• แนะนำ
• ลักษณะเฉพาะ
• ติดตั้ง
  • ติดตั้งเฟรมเวิร์ก JStarCraft Core
  • ติดตั้งเฟรมเวิร์ก JStarCraft AI
  • ติดตั้งเอ็นจิ้น JStarCraft RNS
• ใช้
  • ตั้งค่าการพึ่งพา
  • สร้างตัวกำหนดค่า
  • การฝึกอบรมและการประเมินแบบจำลอง
  • รับโมเดล
• สถาปัตยกรรม
• แนวคิด
  • เหตุใดจึงต้องมีการดึงข้อมูล
  • ความเหมือนและความแตกต่างระหว่างการค้นหาและคำแนะนำ
  • เอ็นจิ้น JStarCraft RNS แก้ปัญหาอะไรได้บ้าง
  • ความแตกต่างระหว่างงานจัดอันดับและงานจัดอันดับ
  • สามารถใช้อัลกอริธึมการให้คะแนนสำหรับปัญหาการจัดอันดับได้หรือไม่
• ตัวอย่าง
  • เอ็นจิ้น JStarCraft RNS โต้ตอบกับสคริปต์ BeanShell
  • เอ็นจิ้น JStarCraft RNS โต้ตอบกับสคริปต์ Groovy
  • เอ็นจิ้น JStarCraft RNS โต้ตอบกับสคริปต์ JS
  • เอ็นจิ้น JStarCraft RNS โต้ตอบกับสคริปต์ Kotlin
  • เอ็นจิ้น JStarCraft RNS โต้ตอบกับสคริปต์ Lua
  • เอ็นจิ้น JStarCraft RNS โต้ตอบกับสคริปต์ Python
  • เอ็นจิ้น JStarCraft RNS โต้ตอบกับสคริปต์ Ruby
• ตัดกัน
  • การเปรียบเทียบรูปแบบการจัดอันดับ
  • การเปรียบเทียบรูปแบบการให้คะแนน
• เวอร์ชัน
• อ้างถึง
  • คำอธิบายโมเดลส่วนบุคคล
  • คำอธิบายชุดข้อมูล
• โปรโตคอล
• ผู้เขียน
• รับทราบ
• บริจาค

---

แนะนำ

JStarCraft RNS เป็นเอ็นจิ้นน้ำหนักเบาที่เน้นการดึงข้อมูล โดยเป็นไปตามโปรโตคอล Apache 2.0

มุ่งเน้นการแก้ปัญหาพื้นฐานด้านการสืบค้นข้อมูล: การแนะนำและการค้นหา

ให้คำแนะนำการออกแบบและการใช้งานเครื่องยนต์ที่ตรงตามข้อกำหนดของสถานการณ์ระดับอุตสาหกรรม

มอบการออกแบบและการใช้งานเครื่องมือค้นหาที่ตรงตามข้อกำหนดของสถานการณ์ระดับอุตสาหกรรม

---

ลักษณะเฉพาะ

• 1. ข้ามแพลตฟอร์ม
• 2. การคำนวณแบบอนุกรมและแบบขนาน
• 3. การเร่งความเร็วด้วยฮาร์ดแวร์ CPU และ GPU
• 4. การบันทึกและการโหลดโมเดล
• 5. คำแนะนำที่หลากหลายและอัลกอริธึมการค้นหา
• 6. รองรับสคริปต์ที่หลากหลาย
  • เก๋
  • จส
  • ลัวะ
  • เอ็มเวล
  • หลาม
  • ทับทิม
• 7. ตัวชี้วัดการประเมินผลที่หลากหลาย
  • ดัชนีการเรียงลำดับ
  • ตัวชี้วัดการจัดอันดับ

---

ติดตั้ง

JStarCraft RNS กำหนดให้ผู้ใช้ต้องมีสภาพแวดล้อมดังต่อไปนี้:

• JDK 8 หรือสูงกว่า
• มาเวน 3

ติดตั้งเฟรมเวิร์ก JStarCraft-Core

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

mvn install -Dmaven.test.skip=true

ติดตั้งเฟรมเวิร์ก JStarCraft-AI

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

mvn install -Dmaven.test.skip=true

ติดตั้งเอ็นจิ้น JStarCraft-RNS

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

mvn install -Dmaven.test.skip=true

---

ใช้

ตั้งค่าการพึ่งพา

• ตั้งค่าการพึ่งพา Maven

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

• ตั้งค่าการพึ่งพา Gradle

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

สร้างตัวกำหนดค่า

 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 );

การฝึกอบรมและการประเมินแบบจำลอง

• สร้างงานการเรียงลำดับ

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

• สร้างงานการให้คะแนน

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

รับโมเดล

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

---

สถาปัตยกรรม

---

แนวคิด

เหตุใดจึงต้องมีการดึงข้อมูล

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.

ความเหมือนและความแตกต่างระหว่างการค้นหาและคำแนะนำ

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.

เอ็นจิ้น JStarCraft-RNS แก้ปัญหาอะไรได้บ้าง

 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).

ความแตกต่างระหว่างงานจัดอันดับและงานจัดอันดับ

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)

สามารถใช้อัลกอริธึมการให้คะแนนสำหรับปัญหาการจัดอันดับได้หรือไม่

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)

---

ตัวอย่าง

เอ็นจิ้น JStarCraft-RNS โต้ตอบกับสคริปต์ BeanShell

• ตัวอย่างที่สมบูรณ์

• เขียนสคริปต์ BeanShell เพื่อฝึกฝนและประเมินโมเดลและบันทึกลงในไฟล์ Model.bsh

 // 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;

• โหลดและรันสคริปต์ BeanShell จากไฟล์ Model.bsh โดยใช้เฟรมเวิร์ก JStarCraft

 // 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 );

เอ็นจิ้น JStarCraft-RNS โต้ตอบกับสคริปต์ Groovy

• ตัวอย่างที่สมบูรณ์

• เขียนสคริปต์ Groovy เพื่อฝึกฝนและประเมินโมเดล และบันทึกลงในไฟล์ Model.groovy

 // 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;

• โหลดและรันสคริปต์ Groovy จากไฟล์ Model.groovy โดยใช้เฟรมเวิร์ก JStarCraft

 // 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 );

เอ็นจิ้น JStarCraft-RNS โต้ตอบกับสคริปต์ JS

• ตัวอย่างที่สมบูรณ์

• เขียนสคริปต์ JS เพื่อฝึกฝนและประเมินโมเดล และบันทึกลงในไฟล์ Model.js

 // 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 ;

• โหลดและรันสคริปต์ JS จากไฟล์ Model.js โดยใช้เฟรมเวิร์ก JStarCraft

 // 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 );

เอ็นจิ้น JStarCraft-RNS โต้ตอบกับสคริปต์ Kotlin

• ตัวอย่างที่สมบูรณ์

• เขียนสคริปต์ Kotlin เพื่อฝึกฝนและประเมินโมเดลและบันทึกลงในไฟล์ Model.kt

 // 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 ;

• โหลดและรันสคริปต์ Kotlin จากไฟล์ Model.kt โดยใช้เฟรมเวิร์ก JStarCraft

 // 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 );

เอ็นจิ้น JStarCraft-RNS โต้ตอบกับสคริปต์ Lua

• ตัวอย่างที่สมบูรณ์

• เขียนสคริปต์ Lua เพื่อฝึกฝนและประเมินโมเดล และบันทึกลงในไฟล์ Model.lua

 -- 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 ;

• โหลดและรันสคริปต์ Lua จากไฟล์ Model.lua โดยใช้เฟรมเวิร์ก JStarCraft

 // 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 );

เอ็นจิ้น JStarCraft-RNS โต้ตอบกับสคริปต์ Python

• ตัวอย่างที่สมบูรณ์

• เขียนสคริปต์ Python เพื่อฝึกฝนและประเมินโมเดลและบันทึกลงในไฟล์ Model.py

 # 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 )

• โหลดและรันสคริปต์ Python จากไฟล์ Model.py โดยใช้เฟรมเวิร์ก JStarCraft

 // 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

• ตัวอย่างที่สมบูรณ์

• เขียนสคริปต์ Ruby เพื่อฝึกฝนและประเมินโมเดล และบันทึกลงในไฟล์ Model.rb

 # 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 ;

• โหลดและรันสคริปต์ Ruby จากไฟล์ Model.rb โดยใช้เฟรมเวิร์ก JStarCraft

 // 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 );

---

ตัดกัน

การเปรียบเทียบรูปแบบการจัดอันดับ

• โมเดลพื้นฐาน

ชื่อ	ชุดข้อมูล	การฝึกอบรม (มิลลิวินาที)	การคาดการณ์ (มิลลิวินาที)	สคส	แผนที่	รพ	กสทช	ความแปลกใหม่	ความแม่นยำ	จำ
ยอดนิยมที่สุด	ฟิล์มทรัสต์	43	273	0.92080	0.41246	0.57196	0.51583	11.79295	0.33230	0.62385
สุ่มเดา	ฟิล์มทรัสต์	38	391	0.51922	0.00627	0.02170	0.01121	91.94900	0.00550	0.01262

• รูปแบบการทำงานร่วมกัน

ชื่อ	ชุดข้อมูล	การฝึกอบรม (มิลลิวินาที)	การคาดการณ์ (มิลลิวินาที)	สคส	แผนที่	รพ	กสทช	ความแปลกใหม่	ความแม่นยำ	จำ
อ่า	ฟิล์มทรัสต์	12448	253	0.89324	0.38967	0.53990	0.48338	21.13004	0.32295	0.56864
การจัดอันดับด้าน	ฟิล์มทรัสต์	177	58	0.85130	0.15498	0.42480	0.26012	37.36273	0.13302	0.31292
BHฟรีการจัดอันดับ	ฟิล์มทรัสต์	5720	4257	0.92080	0.41316	0.57231	0.51662	11.79567	0.33276	0.62500
บีพีอาร์	ฟิล์มทรัสต์	4228	137	0.89390	0.39886	0.54790	0.49180	21.46738	0.32268	0.57623
BUCMการจัดอันดับ	ฟิล์มทรัสต์	2111	1343	0.90782	0.39794	0.55776	0.49651	13.08073	0.32407	0.59141
ซีดีอี	ฟิล์มทรัสต์	89280	376	0.91880	0.40759	0.56855	0.51089	11.82466	0.33051	0.61967
ไคลเอ็มเอฟ	ฟิล์มทรัสต์	48429	140	0.88293	0.37395	0.52407	0.46572	19.38964	0.32049	0.54605
ดีพเอฟเอ็ม	ฟิล์มทรัสต์	69264	99	0.91679	0.40580	0.56995	0.50985	11.90242	0.32719	0.61426
อีลส์	ฟิล์มทรัสต์	850	185	0.86132	0.31263	0.45680	0.39475	20.08964	0.27381	0.46271
ฟิสเมาค	ฟิล์มทรัสต์	2338	663	0.91216	0.40032	0.55730	0.50114	12.07469	0.32845	0.60294
FISMRMSE	ฟิล์มทรัสต์	4030	729	0.91482	0.40795	0.56470	0.50920	11.91234	0.33044	0.61107
GBPR	ฟิล์มทรัสต์	14827	150	0.92113	0.41003	0.57144	0.51464	11.87609	0.33090	0.62512
อืม	เกม	38697	11223	0.80559	0.18156	0.37516	0.25803	16.01041	0.14572	0.22810
รายการBigram	ฟิล์มทรัสต์	12492	61	0.88807	0.33520	0.46870	0.42854	17.11172	0.29191	0.53308
รายการKNNการจัดอันดับ	ฟิล์มทรัสต์	2683	250	0.87438	0.33375	0.46951	0.41767	20.23449	0.28581	0.49248
แอลดีเอ	ฟิล์มทรัสต์	696	161	0.91980	0.41758	0.58130	0.52003	12.31348	0.33336	0.62274
แลมบ์ดาFMแบบคงที่	เกม	25052	27078	0.87064	0.27294	0.43640	0.34794	16.47330	0.13941	0.35696
แลมบ์ดาFMWeight	เกม	25232	28156	0.87339	0.27333	0.43720	0.34728	14.71413	0.13742	0.35252
แลมบ์ดาFMDynamic	เกม	74218	27921	0.87380	0.27288	0.43648	0.34706	13.50578	0.13822	0.35132
ListwiseMF	ฟิล์มทรัสต์	714	161	0.90820	0.40511	0.56619	0.50521	15.53665	0.32944	0.60092
PLSA	ฟิล์มทรัสต์	1,027	116	0.89950	0.41217	0.57187	0.50597	16.01080	0.32401	0.58557
อันดับALS	ฟิล์มทรัสต์	3285	182	0.85901	0.29255	0.51014	0.38871	25.27197	0.22931	0.42509
อันดับซีดี	ผลิตภัณฑ์	1442	8905	0.56271	0.01253	0.04618	0.02682	55.42019	0.01548	0.03520
อันดับ SGD	ฟิล์มทรัสต์	309	113	0.80388	0.23587	0.42290	0.32081	42.83305	0.19363	0.35374
อันดับVFCD	ผลิตภัณฑ์	54273	6524	0.58022	0.01784	0.06181	0.03664	62.95810	0.01980	0.04852
บาง	ฟิล์มทรัสต์	62434	91	0.91849	0.44851	0.61083	0.54557	16.67990	0.34019	0.63021
UserKNNการจัดอันดับ	ฟิล์มทรัสต์	1154	229	0.90752	0.41616	0.57525	0.51393	12.90921	0.32891	0.60152
วีบีพีอาร์	ผลิตภัณฑ์	184473	15304	0.54336	0.00920	0.03522	0.01883	45.05101	0.01037	0.02266
WBPR	ฟิล์มทรัสต์	20705	183	0.78072	0.24647	0.33373	0.30442	17.18609	0.25000	0.35516
WRMF	ฟิล์มทรัสต์	482	158	0.90616	0.43278	0.58284	0.52480	15.17956	0.32918	0.60780
RankGeoFM	โฟร์สแควร์	368436	1,093	0.72708	0.05485	0.24012	0.11057	37.50040	0.07866	0.08640
เอสบีพีอาร์	ฟิล์มทรัสต์	41481	247	0.91010	0.41189	0.56480	0.50726	15.67905	0.32440	0.59699

• โมเดลเนื้อหา

ชื่อ	ชุดข้อมูล	การฝึกอบรม (มิลลิวินาที)	การคาดการณ์ (มิลลิวินาที)	สคส	แผนที่	รพ	กสทช	ความแปลกใหม่	ความแม่นยำ	จำ
EFMการจัดอันดับ	dc_หนาแน่น	2066	2276	0.61271	0.01611	0.04631	0.04045	53.26140	0.02387	0.07357
TFIDF	ดนตรี_เครื่องดนตรี	942	1,085	0.52756	0.01067	0.01917	0.01773	72.71228	0.00588	0.03103

การเปรียบเทียบรูปแบบการให้คะแนน

• โมเดลพื้นฐาน

ชื่อ	ชุดข้อมูล	การฝึกอบรม (มิลลิวินาที)	การคาดการณ์ (มิลลิวินาที)	แม่	MPE	มสธ
คงที่เดา	ฟิล์มทรัสต์	137	45	1.05608	1.00000	1.42309
GlobalAverage	ฟิล์มทรัสต์	60	13	0.71977	0.77908	0.85199
รายการเฉลี่ย	ฟิล์มทรัสต์	59	12	0.72968	0.97242	0.86413
รายการคลัสเตอร์	ฟิล์มทรัสต์	471	41	0.71976	0.77908	0.85198
สุ่มเดา	ฟิล์มทรัสต์	38	8	1.28622	0.99597	2.47927
ผู้ใช้เฉลี่ย	ฟิล์มทรัสต์	35	9	0.64618	0.97242	0.70172
UserCluster	ฟิล์มทรัสต์	326	45	0.71977	0.77908	0.85199

• รูปแบบการทำงานร่วมกัน

ชื่อ	ชุดข้อมูล	การฝึกอบรม (มิลลิวินาที)	การคาดการณ์ (มิลลิวินาที)	แม่	MPE	มสธ
การจัดระดับอัตราส่วน	ฟิล์มทรัสต์	220	5	0.65754	0.97918	0.71809
ASVDPlusPlus	ฟิล์มทรัสต์	5631	8	0.71975	0.77921	0.85196
อคติMF	ฟิล์มทรัสต์	92	6	0.63157	0.98387	0.66220
BHฟรีเรตติ้ง	ฟิล์มทรัสต์	6667	76	0.71974	0.77908	0.85198
บีพีเอ็มเอฟ	ฟิล์มทรัสต์	25942	52	0.66504	0.98465	0.70210
BUCMเรตติ้ง	ฟิล์มทรัสต์	2386	30	0.64834	0.99102	0.67992
ซีซีดี	ผลิตภัณฑ์	15715	9	0.96670	0.93947	1.62145
FFM	ฟิล์มทรัสต์	5422	6	0.63446	0.98413	0.66682
เอฟมาลส์	ฟิล์มทรัสต์	พ.ศ. 2397	5	0.64788	0.96032	0.73636
fmsgd	ฟิล์มทรัสต์	3496	10	0.63452	0.98426	0.66710
จีพีเอสเอ	ฟิล์มทรัสต์	2567	7	0.67311	0.98972	0.79883
ไออาร์อาร์จี	ฟิล์มทรัสต์	40284	6	0.64766	0.98777	0.73700
รายการKNNเรตติ้ง	ฟิล์มทรัสต์	2052	27	0.62341	0.95394	0.67312
แอลดีซีซี	ฟิล์มทรัสต์	8650	84	0.66383	0.99284	0.70666
โลมา	ฟิล์มทรัสต์	16618	82	0.64930	0.96591	0.76067
มฟล	ฟิล์มทรัสต์	2944	5	0.82939	0.94549	1.30547
เอ็นเอ็มเอฟ	ฟิล์มทรัสต์	1198	8	0.67661	0.96604	0.83493
พีเอ็มเอฟ	ฟิล์มทรัสต์	215	7	0.72959	0.98165	0.99948
อาร์บีเอ็ม	ฟิล์มทรัสต์	19551	270	0.74484	0.98504	0.88968
RFRec	ฟิล์มทรัสต์	16330	54	0.64008	0.97112	0.69390
เอสวีดีพลัสพลัส	ฟิล์มทรัสต์	452	26	0.65248	0.99141	0.68289
รพ	ฟิล์มทรัสต์	1514	25	0.64207	0.99128	0.67122
UserKNNเรตติ้ง	ฟิล์มทรัสต์	1121	135	0.63933	0.94640	0.69280
อาร์เอสที	ฟิล์มทรัสต์	4052	10	0.64303	0.99206	0.67777
สังคมMF	ฟิล์มทรัสต์	918	13	0.64668	0.98881	0.68228
SoRec	ฟิล์มทรัสต์	1,048	10	0.64305	0.99232	0.67776
ดังนั้นReg	ฟิล์มทรัสต์	635	8	0.65943	0.96734	0.72760
เวลาSVD	ฟิล์มทรัสต์	11545	36	0.68954	0.93326	0.87783
ทรัสต์MF	ฟิล์มทรัสต์	2038	7	0.63787	0.98985	0.69017
เชื่อถือSVD	ฟิล์มทรัสต์	12465	ยี่สิบสอง	0.61984	0.98933	0.63875
กฎสมาคม	ฟิล์มทรัสต์	2628	195	0.90853	0.41801	0.57777
บุคลิกภาพการวินิจฉัย	ฟิล์มทรัสต์	45	642	0.72964	0.76620	1.03071
แกล้งดี	ฟิล์มทรัสต์	3321	170	0.74472	0.22894	0.32406
สโลปวัน	ฟิล์มทรัสต์	135	28	0.63788	0.96175	0.71057

• โมเดลเนื้อหา

ชื่อ	ชุดข้อมูล	การฝึกอบรม (มิลลิวินาที)	การคาดการณ์ (มิลลิวินาที)	แม่	MPE	มสธ
EFMเรตติ้ง	dc_หนาแน่น	659	8	0.61546	0.85364	0.78279
เอชเอฟที	ดนตรี_เครื่องดนตรี	162753	13	0.64272	0.94886	0.81393
หัวข้อMFAT	ดนตรี_เครื่องดนตรี	6907	7	0.61896	0.98734	0.72545
หัวข้อMFMT	ดนตรี_เครื่องดนตรี	6323	7	0.61896	0.98734	0.72545

---

เวอร์ชัน

---

อ้างถึง

คำอธิบายโมเดลส่วนบุคคล

• โมเดลพื้นฐาน

ชื่อ	คำถาม	คำอธิบาย/วิทยานิพนธ์
สุ่มเดา	อันดับเรตติ้ง	สุ่มเดา
ยอดนิยมที่สุด	การจัดอันดับ	ที่นิยมมากที่สุด
คงที่เดา	เรตติ้ง	เดาอย่างต่อเนื่อง
GlobalAverage	เรตติ้ง	ค่าเฉลี่ยทั่วโลก
รายการเฉลี่ย	เรตติ้ง	รายการเฉลี่ย
รายการคลัสเตอร์	เรตติ้ง	การจัดกลุ่มรายการ
ผู้ใช้เฉลี่ย	เรตติ้ง	ผู้ใช้โดยเฉลี่ย
UserCluster	เรตติ้ง	การจัดกลุ่มผู้ใช้

• รูปแบบการทำงานร่วมกัน

ชื่อ	คำถาม	คำอธิบาย/วิทยานิพนธ์
AspectModel	อันดับเรตติ้ง	โมเดลคลาสแฝงสำหรับการกรองแบบทำงานร่วมกัน
BHฟรี	อันดับเรตติ้ง	ความสมดุลของการทำนายและความแม่นยำของการแนะนำ: ปัจจัยแฝงแบบลำดับชั้นสำหรับข้อมูลการตั้งค่า
BUCM	อันดับเรตติ้ง	การสร้างแบบจำลองการเลือกรายการและความเกี่ยวข้องสำหรับคำแนะนำที่ถูกต้อง
รายการKNN	อันดับเรตติ้ง	การกรองการทำงานร่วมกันตามรายการ
ผู้ใช้KNN	อันดับเรตติ้ง	การกรองการทำงานร่วมกันตามผู้ใช้
อ่า	การจัดอันดับ	การปรับปรุงการเรียนรู้แบบคู่สำหรับการแนะนำรายการจากการตอบรับโดยนัย
บีพีอาร์	การจัดอันดับ	BPR: การจัดอันดับส่วนบุคคลแบบเบย์จากการตอบรับโดยนัย
ไคลเอ็มเอฟ	การจัดอันดับ	CLiMF: การเรียนรู้เพื่อเพิ่มอันดับซึ่งกันและกันด้วยการกรองแบบน้อยแต่มากโดยร่วมมือกัน
อีลส์	การจัดอันดับ	การกรองการทำงานร่วมกันสำหรับชุดข้อมูลป้อนกลับโดยนัย
FISM	การจัดอันดับ	FISM: โมเดลความคล้ายคลึงกันของรายการแยกตัวประกอบสำหรับระบบผู้แนะนำ Top-N
GBPR	การจัดอันดับ	GBPR: การจัดอันดับส่วนบุคคลแบบเบย์ตามการตั้งค่ากลุ่มสำหรับการกรองการทำงานร่วมกันระดับหนึ่ง
HMMForCF	การจัดอันดับ	วัตถุประสงค์ของโมเดล Markov ที่ซ่อนอยู่: คลาสสำหรับโมเดล รวมถึงพารามิเตอร์
รายการBiggram	การจัดอันดับ	การสร้างแบบจำลองหัวข้อ: Beyond Bag-of-Words
แลมบ์ดาเอฟเอ็ม	การจัดอันดับ	LambdaFM: การเรียนรู้การจัดอันดับที่เหมาะสมที่สุดด้วยเครื่องแยกตัวประกอบโดยใช้ Lambda Surrogates
แอลดีเอ	การจัดอันดับ	การจัดสรร Dirichlet แฝงสำหรับการตอบรับโดยนัย
ListwiseMF	การจัดอันดับ	การเรียนรู้แบบรายการเพื่อจัดอันดับด้วยการแยกตัวประกอบเมทริกซ์สำหรับการกรองร่วมกัน
PLSA	การจัดอันดับ	โมเดลความหมายแฝงสำหรับการกรองร่วมกัน
อันดับALS	การจัดอันดับ	การสลับกำลังสองน้อยที่สุดสำหรับการจัดอันดับส่วนบุคคล
อันดับ SGD	การจัดอันดับ	ชุดกรองความร่วมมือเพื่อการจัดอันดับ
บาง	การจัดอันดับ	SLIM: วิธีการเชิงเส้นกระจัดกระจายสำหรับระบบผู้แนะนำ Top-N
WBPR	การจัดอันดับ	การจัดอันดับส่วนบุคคลแบบเบย์สำหรับรายการตัวอย่างที่ไม่สม่ำเสมอ
WRMF	การจัดอันดับ	การกรองการทำงานร่วมกันสำหรับชุดข้อมูลคำติชมโดยนัย
อันดับ-GeoFM	การจัดอันดับ	Rank-GeoFM: วิธีการแยกตัวประกอบทางภูมิศาสตร์ตามการจัดอันดับสำหรับคำแนะนำจุดสนใจ
เอสบีพีอาร์	การจัดอันดับ	ใช้ประโยชน์จากการเชื่อมต่อทางสังคมเพื่อปรับปรุงการจัดอันดับส่วนบุคคลสำหรับการกรองการทำงานร่วมกัน
กฎสมาคม	การจัดอันดับ	อัลกอริธึมการแนะนำโดยใช้กฎการเชื่อมโยงหลายระดับ
แกล้งดี	การจัดอันดับ	การจัดอันดับส่วนบุคคลที่มีความหลากหลาย
AsymmetricSVD++	เรตติ้ง	การแยกตัวประกอบตรงตามพื้นที่ใกล้เคียง: โมเดลการกรองการทำงานร่วมกันหลายแง่มุม
บันทึกอัตโนมัติ	เรตติ้ง	AutoRec: ตัวเข้ารหัสอัตโนมัติพบกับการกรองแบบทำงานร่วมกัน
บีพีเอ็มเอฟ	เรตติ้ง	การแยกตัวประกอบเมทริกซ์ความน่าจะเป็นแบบเบย์โดยใช้ Markov Chain Monte Carlo
ซีซีดี	เรตติ้ง	การกรองการทำงานร่วมกันแบบขนานขนาดใหญ่เพื่อชิงรางวัล Netflix
FFM	เรตติ้ง	เครื่องแยกตัวประกอบแบบ Field Aware สำหรับการทำนาย CTR
จีพีเอสเอ	เรตติ้ง	การกรองร่วมกันผ่านการวิเคราะห์ความหมายแฝงความน่าจะเป็นแบบเกาส์
ไออาร์อาร์จี	เรตติ้ง	การใช้ประโยชน์จากความสัมพันธ์ของรายการโดยนัยสำหรับระบบผู้แนะนำ
มฟล	เรตติ้ง	การกรองการทำงานร่วมกันแบบขนานขนาดใหญ่เพื่อชิงรางวัล Netflix
เอ็นเอ็มเอฟ	เรตติ้ง	อัลกอริทึมสำหรับการแยกตัวประกอบเมทริกซ์ที่ไม่เป็นลบ
พีเอ็มเอฟ	เรตติ้ง	PMF: การแยกตัวประกอบเมทริกซ์ความน่าจะเป็น
อาร์บีเอ็ม	เรตติ้ง	เครื่องจักร Boltzman แบบจำกัดสำหรับการกรองแบบร่วมมือ
RF-Rec	เรตติ้ง	RF-Rec: การคำนวณคำแนะนำที่รวดเร็วและแม่นยำโดยพิจารณาจากความถี่ในการให้คะแนน
เอสวีดี++	เรตติ้ง	การแยกตัวประกอบตรงตามพื้นที่ใกล้เคียง: โมเดลการกรองการทำงานร่วมกันหลายแง่มุม
รพ	เรตติ้ง	โปรไฟล์การให้คะแนนผู้ใช้: โมเดล LDA สำหรับการทำนายคะแนน
อาร์เอสที	เรตติ้ง	เรียนรู้ที่จะแนะนำกับ Social Trust Ensemble
สังคมMF	เรตติ้ง	เทคนิคการแยกตัวประกอบเมทริกซ์พร้อมการกระจายความน่าเชื่อถือเพื่อแนะนำในเครือข่ายสังคม
SoRec	เรตติ้ง	SoRec: คำแนะนำทางสังคมโดยใช้การแยกตัวประกอบเมทริกซ์ความน่าจะเป็น
ดังนั้นReg	เรตติ้ง	ระบบผู้แนะนำที่มีการปรับมาตรฐานทางสังคม
TimeSVD++	เรตติ้ง	การกรองการทำงานร่วมกันกับ Temporal Dynamics
ทรัสต์MF	เรตติ้ง	การกรองการทำงานร่วมกันทางสังคมโดย Trust
เชื่อถือSVD	เรตติ้ง	TrustSVD: การกรองการทำงานร่วมกันโดยมีอิทธิพลทั้งอย่างชัดเจนและโดยปริยายของความไว้วางใจของผู้ใช้และการให้คะแนนรายการ
บุคลิกภาพการวินิจฉัย	เรตติ้ง	บทนำโดยย่อเกี่ยวกับการวินิจฉัยบุคลิกภาพ
สโลปวัน	เรตติ้ง	ตัวทำนาย Slope One สำหรับการกรองการทำงานร่วมกันตามคะแนนออนไลน์

• โมเดลเนื้อหา

ชื่อ	คำถาม	คำอธิบาย/วิทยานิพนธ์
อีเอฟเอ็ม	อันดับเรตติ้ง	แบบจำลองปัจจัยที่ชัดเจนสำหรับคำแนะนำที่สามารถอธิบายได้ โดยอิงจากการวิเคราะห์ความรู้สึกในระดับวลี
TF-IDF	การจัดอันดับ	ความถี่ของคำ-ความถี่ผกผันของเอกสาร
เอชเอฟที	เรตติ้ง	ปัจจัยที่ซ่อนอยู่และหัวข้อที่ซ่อนอยู่: ทำความเข้าใจมิติการให้คะแนนด้วยข้อความวิจารณ์
หัวข้อMF	เรตติ้ง	TopicMF: การใช้ประโยชน์จากการให้คะแนนและบทวิจารณ์สำหรับคำแนะนำไปพร้อมๆ กัน

คำอธิบายชุดข้อมูล

• ชุดข้อมูลอเมซอน
• ชุดข้อมูล Bibsonomy
• ชุดข้อมูล BookCrossing
• ชุดข้อมูล Ciao
• ชุดข้อมูล Douban
• ชุดข้อมูลภาพยนตร์แต่ละเรื่อง
• ชุดข้อมูล Epinions
• ชุดข้อมูล Foursquare
• ชุดข้อมูล Goodbooks
• ชุดข้อมูล Gowalla
• ชุดข้อมูล HetRec2011
• ชุดข้อมูล Jest Joker
• ชุดข้อมูลบทวิจารณ์ภาพยนตร์ขนาดใหญ่
• ชุดข้อมูล MovieLens
• ชุดข้อมูลกลุ่มข่าวสาร
• ชุดข้อมูลเครือข่ายขนาดใหญ่ของ Stanford
• ชุดข้อมูล Serendipity 2018
• ชุดข้อมูล Wikilens
• ชุดข้อมูล Yelp
• ชุดข้อมูล Yongfeng Zhang

---

โปรโตคอล

JStarCraft RNS ปฏิบัติตามโปรโตคอล Apache 2.0 และงานลอกเลียนแบบทั้งหมดที่เป็นของผู้เขียนงานลอกเลียนแบบ

---

ผู้เขียน

ผู้เขียน	หง จ้าวฮวา
อีเมล	[email protected], [email protected]

---

รับทราบ

ขอขอบคุณเป็นพิเศษสำหรับทีม LibRec และ กลุ่ม QQ ระบบการแนะนำ (274750470) สำหรับการสนับสนุนและความช่วยเหลือในการแนะนำ

ขอขอบคุณเป็นพิเศษสำหรับ Lu Xugang สำหรับการสนับสนุนและความช่วยเหลือในการค้นหา

---

บริจาค

ขอขอบคุณเป็นพิเศษกับ Hangzhou Chengzi Information Technology Co., Ltd. สำหรับการบริจาคให้กับโครงการ JStarCraft

---