scikit-surprise 1.1.4

概述

Surprise 是一个用于构建和分析处理显式评分数据的推荐系统的 Python scikit。

Surprise 的设计考虑以下目标

• 使用户能够完全控制他们的实验。为此，我们特别强调文档，我们尝试通过指出算法的每个细节，使其尽可能清晰和精确。
• 减轻数据集处理的痛苦。用户可以使用内置的数据集（Movielens，Jester），以及他们自己的自定义数据集。
• 提供各种现成的预测算法，例如基线算法、邻域方法、基于矩阵分解（SVD、PMF、SVD++、NMF）以及许多其他算法。同时，内置了各种相似度度量（余弦、MSD、皮尔逊等）。
• 使实现新的算法想法变得简单。
• 提供工具以评估、分析和比较算法的性能。可以使用强大的CV迭代器轻松运行交叉验证程序（灵感来源于scikit-learn的优秀工具），以及参数集的穷举搜索。

名称SurPRISE（大概吧 :)）代表简单的Python推荐系统引擎。

请注意，surprise不支持隐式评分或基于内容的资料。

入门，示例

以下是一个简单示例，展示了如何（下）加载数据集，将其分割为5折交叉验证，并计算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    

Surprise可以做很多（例如，GridSearchCV）！你可以在文档中找到更多使用示例。

基准测试

以下是各种算法（使用默认参数）在5折交叉验证程序上的平均RMSE、MAE和总执行时间。数据集是Movielens 100k和1M数据集。所有算法的折数相同。所有实验都在一台装有英特尔i5 11代2.60GHz处理器的笔记本电脑上运行。生成这些表格的代码可以在基准测试示例中找到。

安装

使用pip（你需要numpy和C编译器。Windows用户可能更喜欢使用conda）

$ pip install numpy
$ pip install scikit-surprise

使用conda

$ conda install -c conda-forge scikit-surprise

对于最新版本，你也可以克隆存储库并构建源代码（你首先需要Cython和numpy）

$ pip install numpy cython
$ git clone https://github.com/NicolasHug/surprise.git
$ cd surprise
$ python setup.py install

许可和引用

本项目采用BSD 3-Clause许可，因此可以用于几乎所有事情，包括商业应用。

我很想知道Surprise如何对你有帮助。请毫不犹豫地打开一个问题并描述你是如何使用它的！

如果你在研究中使用了Surprise，请务必引用论文

@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, Jeff Hale, Nicolas Hug, Janniks, jyesawtellrickson, Doruk Kilitcioglu, Ravi Raju Krishna, lapidshay, Hengji Liu, Ravi Makhija, Maher Malaeb, Manoj K, James McNeilis, Naturale0, nju-luke, Pierre-Louis Pécheux, Jay Qi, Lucas Rebscher, Craig Rodrigues, Skywhat, Hercules Smith, David Stevens, Vesna Tanko, TrWestdoor, Victor Wang, Mike Lee Williams, Jay Wong, Chenchen Xu, YaoZh1918。

非常感谢！(:)

开发状态

从版本1.1.0（2019年9月）开始，我只会维护这个包，提供错误修复，也许有时会进行性能改进。我现在投入的时间较少，因此无法考虑新功能。

有关Surprise的错误、问题或疑问，请避免给我发送电子邮件；我可能无法回答）。请使用GitHub 项目页面，这样其他人也能从中受益。