movielens推荐系统_针对推荐系统隐式和显式反馈的混合模型——lightFM（下：python场景实例）...

上篇介绍了针对推荐系统隐式和显式反馈的混合模型——lightFM（上：参数及属性介绍），

这篇主要介绍在不同场景下用lightFM的python代码，也可看官方文档和官方GitHub。

主要包含五个场景：

• Movielens数据集的lightFM模型简单例子；
• 不同的 learning schedules比较；
• 项目冷启动 Item cold-start；

1. Movielens数据集的隐式反馈推荐器

'''

train 

'''

'''

拓展：

print

加了物品特征建模：

'''

物品特征看起来像是只有对角线有值，猜测应该加了物品特征和没加，模型效果相差不大

'''

bpr模型同上

模型效果总结:

Movielens数据集	纯 bpr 模型	加入物品特征的bpr 模型	纯warp模型	加入物品特征的warp 模型
训练集precision_at_k	0.59	0.60	0.60	0.60
测试集precision_at_k	0.10	0.10	0.11	0.11
训练集auc_score	0.90	0.90	0.93	0.94
测试集auc_score	0.86	0.86	0.90	0.90

2. 使用不同的 learning schedules

'''

'''

3. 项目冷启动 Item cold-start

'''

训练和测试集按时间顺序划分：测试集包含训练集中90%交互之后发生的10%交互。这意味着测试集中的许多问题都没有交互。这是对问题回答系统的准确描述：最重要的是向能够回答这些问题的专家用户推荐尚未回答的问题。

（1）纯协作过滤模型

'''

'''

（2）混合模型

'''

'''

# 统计得到共有33827个item是没有跟用户发生过交互行为的,  

（3）特征embeddings

'''

4. 重点讨论 warp .Learning-to-rank using the WARP loss

'''

'''

warp_model 

5. 建立数据集（包含数据处理等）

'''

'''

'''