推荐｜LibRec：一个覆盖70多种算法的推荐系统开源库！

2017 年 7 月 11 日 全球人工智能

推荐系统开源算法库——LibRec（http://www.librec.net）覆盖了70余个各类型的推荐算法，有效地解决了评分预测和物品推荐两大关键的推荐问题。项目结构清晰、代码风格良好、测试充分、注释与手册完善，基于GPL3.0协议代码开源。

最近，推荐系统获得快速发展，数以百计的新算法、新模型不断涌现。却让刚刚接触推荐算法的新人造成无所适从，也给那些有经验的人士带来不少困扰。不同的人对算法的理解可能大相径庭，更不用说是具体的实现。因此，为了解决算法实现和共享的问题，LibRec团队设计实现了基于Java的跨平台推荐框架，并以GPL-3.0协议在GitHub上开源共享。

通过多年的发展，项目团队经过上千次的代码提交，最新版本已经到2.0。目前为止，LibRec包含了矩阵分解、概率图模型等多种类型的70余个推荐算法，10个相似度度量方法，4个rating评估指标与10个ranking评估指标，5大类数据的分割方式以及2种不同格式的数据读取，满足绝大部分推荐系统的需求。因此，LibRec具有算法丰富、易于扩展、简单易用等突出特点。

项目系统结构

Data Structure包括常用的数据结构，如SparseMatrix、SparseVector等；Data Model主要负责数据的读取、分割、导入其他数据如社交关系等；Recommender主要负责模型的训练(Inference)，预测(Prediction)，相似度衡量(Similarity)，以及模型的持久化(Persistence)；最终结果可以进行评估，或者过滤之后输出到文件。总体来说，LibRec项目拥有良好的结构，不同模块之间耦合度非常低，针对某个模块的开发通常无需关心其他模块的实现。以实现新的分割方式为例，用户只需继承Splitter接口抽象类，根据相应的逻辑重写splitData()方法即可。

基于LibRec来运行推荐算法就如同搭积木一样简单，其工作流程如上图所示。首先设置好相关参数配置，然后实例化数据并测试分割，调用推荐算法训练学习，最后对推荐结果进行过滤和评估。示例程序：

publicstatic void main(String[] args) throws Exception{
    // build data model
    Configuration conf = new Configuration();
    conf.set("dfs.data.dir", "path/to/data/folder/");
    Randoms.seed(1);
    TextDataModel dataModel = new TextDataModel(conf);
    dataModel.buildDataModel();

    // build recommendercontext
    RecommenderContextcontext = new RecommenderContext(conf, dataModel);

    // build similarity
    conf.set("rec.recommender.similarity.key","item");
    RecommenderSimilarity similarity = new PCCSimilarity();
    similarity.buildSimilarityMatrix(dataModel);
    context.setSimilarity(similarity);

    // build recommender
    conf.set("rec.neighbors.knn.number", "5");
    Recommender recommender = new ItemKNNRecommender();
    recommender.setContext(context);

    // run recommenderalgorithm
    recommender.recommend(context);

    // evaluate therecommended result
    RecommenderEvaluatorevaluator = new RMSEEvaluator();
    System.out.println("RMSE:"+ recommender.evaluate(evaluator));
}