Surprise下载 - Surprise源码下载

Surprise

其他源码

下载

概述

Surprise 是一个 Python scikit，用于构建和分析处理显式评级数据的推荐系统。

Surprise的设计考虑了以下目的：

让用户完美地控制他们的实验。为此，我们非常重视文档，我们试图通过指出算法的每个细节来使文档尽可能清晰和精确。
减轻数据集处理的痛苦。用户可以使用内置数据集（Movielens、Jester）和他们自己的自定义数据集。
提供各种即用型预测算法，例如基线算法、邻域方法、基于矩阵分解的（SVD、PMF、SVD++、NMF）等。此外，还内置了各种相似性度量（cosine、MSD、pearson...）。
使新算法想法的实现变得容易。
提供评估、分析和比较算法性能的工具。使用强大的 CV 迭代器（受 scikit-learn 优秀工具的启发）以及对一组参数的详尽搜索，可以非常轻松地运行交叉验证程序。

SurPRISE （大致:)）这个名字代表Simple Python RecommendatIon System Engine 。

请注意，惊喜不支持隐式评级或基于内容的信息。

入门，示例

下面是一个简单的示例，展示了如何（下载）加载数据集、将其拆分以进行 5 倍交叉验证，以及计算 SVD 算法的 MAE 和 RMSE。

 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 )

输出：

 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

惊喜可以做更多（例如，GridSearchCV）！您将在文档中找到更多使用示例。

基准测试

以下是 5 倍交叉验证过程中各种算法（使用默认参数）的平均 RMSE、MAE 和总执行时间。数据集是 Movielens 100k 和 1M 数据集。所有算法的折叠都是相同的。所有实验均在配备 Intel i5 第 11 代 2.60GHz 的笔记本电脑上运行。生成这些表的代码可以在基准示例中找到。

电影镜头 100k	均方根误差	MAE	时间
奇异值分解	0.934	0.737	0:00:06
SVD++（缓存评级=假）	0.919	0.721	0:01:39
SVD++（缓存评级=真）	0.919	0.721	0:01:22
纳米纤维	0.963	0.758	0:00:06
斜坡一号	0.946	0.743	0:00:09
k-NN	0.98	0.774	0:00:08
中心k-NN	0.951	0.749	0:00:09
k-NN 基线	0.931	0.733	0:00:13
共聚类	0.963	0.753	0:00:06
基线	0.944	0.748	0:00:02
随机的	1.518	1.219	0:00:01

电影镜头 1M	均方根误差	MAE	时间
奇异值分解	0.873	0.686	0:01:07
SVD++（缓存评级=假）	0.862	0.672	0:41:06
SVD++（缓存评级=真）	0.862	0.672	0:34:55
纳米纤维	0.916	0.723	0:01:39
斜坡一号	0.907	0.715	0:02:31
k-NN	0.923	0.727	0:05:27
中心k-NN	0.929	0.738	0:05:43
k-NN 基线	0.895	0.706	0:05:55
共聚类	0.915	0.717	0:00:31
基线	0.909	0.719	0:00:19
随机的	1.504	1.206	0:00:19

安装

使用 pip（您需要一个 C 编译器。Windows 用户可能更喜欢使用 conda）：

 $ pip install scikit-surprise

与康达：

 $ conda install -c conda-forge scikit-surprise

对于最新版本，您还可以克隆存储库并构建源代码（您首先需要 Cython 和 numpy）：

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

许可和参考

该项目根据 BSD 3-Clause 许可证获得许可，因此它几乎可以用于所有用途，包括商业应用程序。

我很想知道惊喜对您有何用处。请随时提出问题并描述您如何使用它！

如果您使用 Surprise 进行研究，请务必引用该论文：

 @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}
}

贡献者

以下人员为 Surprise 做出了贡献：

ashtou、Abhishek Bhatia、bobbyinfj、caoyi、Chieh-Han Chen、Raphael-Dayan、Олег Демиденко、Charles-Emmanuel Dias、dmamylin、Lauriane Ducasse、Marc Feger、franckjay、Lukas Galke、Tim Gates、Pierre-François Gimenez、Zachary Glassman、杰夫Hale、Nicolas Hug、Janniks、jyesawtellrickson、Doruk Kilitcioglu、Ravi Raju Krishna、lapidhay、Hengji Liu、Ravi Makhija、Maher Malaeb、Manoj K、James McNeilis、Naturale0、nju-luke、Pierre-Louis Pécheux、Jay Qi、Lucas Rebscher、克雷格·罗德里格斯、Skywhat、赫拉克勒斯·史密斯、 David Stevens、Vesna Tanko、TrWestdoor、Victor Wang、Mike Lee Williams、Jay Wong、Chenchen Xu、YaoZh1918。

多谢：）！