Github项目推荐 | RecQ - Python推荐系统框架

【Python推荐系统框架（TensorFlow支持）】

RecQ: A Python Framework for Recommender Systems (TensorFlow Supported)  by Coder-Yu

项目地址：（注：请点击文末【阅读原文】访问划线链接）

https://github.com/Coder-Yu/RecQ

最新消息

我们现在将RecQ转移到TensorFlow。 未来几周将提供基于GPU的版本。

10/09/2018  - 基于对抗训练的模型：APR已经实施。

10/02/2018  - 两个深度模型：DMF、CDAE已经实施。

07/12/2018  - TensorFlow支持的算法：BasicMF，PMF，SVD，EE（实现中......）

介绍

创建者： @Coder-Yu 

主要贡献者：@DouTong @Niki666 @HuXiLiFeng @BigPowerZ @flyxu

由重庆大学软件工程学院发布

更多算法（基于排名和上下文感知）可以在我的另一个项目 Yue 中找到

RecQ 是用于推荐系统的Python库（Python 2.7.x）。 它实现了一系列最先进的建议。 为了轻松运行RecQ（无需逐个设置RecQ中使用的软件包），强烈建议使用领先的开放数据科学平台 Anaconda。 它集成了Python解释器，常见科学计算库（如Numpy，Pandas和Matplotlib）以及包管理器，所有这些都使它成为数据科学研究人员的完美工具。

RecQ的架构

特性

• 跨平台：作为Python软件，RecQ可以在任何平台上轻松部署和执行，包括MS Windows，Linux和Mac OS。

• 快速执行：RecQ基于快速的科学计算库，如Numpy和一些轻量级公共数据结构，使其运行速度比基于Python的其他库快得多。

• 轻松配置：RecQ配置推荐使用配置文件。

• 易于扩展：RecQ提供了一套精心设计的推荐接口，通过它可以轻松实现新算法。

• 数据可视化：RecQ可以在不运行任何算法的情况下帮助可视化输入数据集。

如何运行

1.将 **xx.conf** 文件配置在名为config的目录中。 （xx是你要运行的算法的名称）

2.运行项目中的 **main.py** ，然后在提示后输入。

如何配置

• 必选配置

Entry - 输入	Example - 示例	Description - 描述
ratings	D:/MovieLens/100K.txt	Set the path to input dataset. Format: each row separated by empty, tab or comma symbol. 设置输入数据集的路径。 格式：每行用空、制表符或逗号符号分隔。
social	D:/MovieLens/trusts.txt	Set the path to input social dataset. Format: each row separated by empty, tab or comma symbol. 设置输入社交数据集的路径。 格式：每行用空、制表符或逗号分隔。
ratings.setup	-columns 0 1 2	-columns: (user, item, rating) columns of rating data are used  (用户、项目、评级)使用评级数据列; -header: to skip the first head line when reading data  读取数据时跳过第一个头行
social.setup	-columns 0 1 2	-columns: (trustor, trustee, weight) columns of social data are used   (委托方、受托方、权重)社交数据列;  -header: to skip the first head line when reading data读取数据时跳过第一个头行
recommender	UserKNN/ItemKNN/SlopeOne/etc.	Set the recommender to use.  设置推荐使用
evaluation.setup	-testSet ../dataset/testset.txt	Main option（主要选项）: -testSet, -ap, -cv -testSet path/to/test/file (need to specify the test set manually  需要手动指定测试集) -ap ratio ap比率(ap means that the ratings are automatically partitioned into training set and test set, the number is the ratio of test set. e.g. -ap 0.2  ap表示评级自动分为训练集和测试集，数字是测试集的比例。例如-ap 0.2) -cv k (-cv means cross validation, k is the number of the fold. e.g. -cv 5  -cv表示交叉验证，k是折叠的编号。例如-cv 5) Secondary option（次要选项）：-b, -p, -cold  -b val （binarizing the rating values. Ratings equal or greater than val will be changed into 1, and ratings lower than val will be changed into 0. e.g. -b 3.0  对评级值进行二值化。 等于或大于val的等级将变为1，低于val的等级将变为0。例如：-b 3.0） -p (if this option is added, the cross validation wll be executed parallelly, otherwise executed one by one 如果添加此选项，则交叉验证将并行执行，否则将逐个执行)  -tf (model training would be conducted on TensorFlow if TensorFlow has been installed 如果已安装TensorFlow，将在TensorFlow上进行模型训练)  -cold threshold 冷阈值 (evaluation on cold-start users, users in training set with ratings more than threshold will be removed from the test set  对冷启动用户的评估，评级超过阈值的训练集中的用户将从测试集中删除)
item.ranking	off -topN -1	Main option: whether to do item ranking   主要选项：是否进行项目排名 -topN N1,N2,N3...: the length of the recommendation list. 推荐列表的长度。 *RecQ can generate multiple evaluation results for different N at the same time.* RecQ可以同时为不同的N生成多个评估结果
output.setup	on -dir ./Results/	Main option: whether to output recommendation results 主要选项：是否输出推荐结果 -dir path: the directory path of output results. 输出结果的目录路径。

• 基于内存的选项

similarity - 相似	pcc/cos	Set the similarity method to use. Options: PCC, COS;   -设置要使用的相似性方法。 选项：PCC，COS;
num.shrinkage	25	Set the shrinkage parameter to devalue similarity value. -1: to disable simialrity shrinkage. -将收缩参数设置为贬值相似度值。 -1：禁用simialrity缩小。
num.neighbors	30	Set the number of neighbors used for KNN-based algorithms such as UserKNN, ItemKNN. -设置用于基于KNN算法的邻居数，例如UserKNN，ItemKNN。

• 基于模型的选项

num.factors	5/10/20/number	Set the number of latent factors -设置潜在因素的数量
num.max.iter	100/200/number	Set the maximum number of iterations for iterative recommendation algorithms. -设置迭代推荐算法的最大迭代次数。
learnRate	-init 0.01 -max 1	-init initial learning rate for iterative recommendation algorithms  初始化迭代推荐算法的初始学习率;  -max: maximum learning rate (default 1); 最大学习率（默认为1）;
reg.lambda	-u 0.05 -i 0.05 -b 0.1 -s 0.1	-u: user regularizaiton 用户正则化; -i: item regularization 项目正则化; -b: bias regularizaiton 偏倚正则化; -s: social regularization 社交正则化

如何扩展

1.让你的新算法泛化适当的基类。

2.根据需要重写以下一些函数。

• readConfiguration()

• printAlgorConfig()

• initModel()

• buildModel()

• saveModel()

• loadModel()

• predict()

算法实现部分，请参阅项目查看

项目地址：https://github.com/Coder-Yu/RecQ

相关数据集

参考

[1]. Tang, J., Gao, H., Liu, H.: mtrust:discerning multi-faceted trust in a connected world. In: International Conference on Web Search and Web Data Mining, WSDM 2012, Seattle, Wa, Usa, February. pp. 93–102 (2012)

[2]. Massa, P., Avesani, P.: Trust-aware recommender systems. In: Proceedings of the 2007 ACM conference on Recommender systems. pp. 17–24. ACM (2007)

[3]. G. Zhao, X. Qian, and X. Xie, “User-service rating prediction by exploring social users’ rating behaviors,” IEEE Transactions on Multimedia, vol. 18, no. 3, pp. 496–506, 2016.

[4] Iván Cantador, Peter Brusilovsky, and Tsvi Kuflik. 2011. 2nd Workshop on Information Heterogeneity and Fusion in Recom- mender Systems (HetRec 2011). In Proceedings of the 5th ACM conference on Recommender systems (RecSys 2011). ACM, New York, NY, USA

【AI求职百题斩 - 每日一题】

赶紧来看看今天的题目吧！

想知道正确答案？

点击公众号菜单栏【每日一题】→【每日一题】或在公众号回复“0123”即可答题获取！

点击阅读原文，查看更多内容