librec.java_介绍一个推荐系统开源库：LibRec

最新推荐文章于 2024-06-10 23:14:21 发布

weixin_39968995

最新推荐文章于 2024-06-10 23:14:21 发布

阅读量780

点赞数

文章标签： librec.java

本文链接：https://blog.csdn.net/weixin_39968995/article/details/114807600

版权

原标题：介绍一个推荐系统开源库：LibRec

LibRec(http://www.librec.net)是一个领先的推荐系统开源算法库，它覆盖了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。该项目结构清晰、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。GitHub链接为 https://github.com/guoguibing/librec

近年来，推荐系统取得了快速发展，数以百计的新算法、新模型不断涌现。然而，这不但给刚刚接触推荐算法的新人造成无所适从，而且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了。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。

经过几年的发展，团队成员上千次的代码提交，最新的版本代码是2.0。到目前为止，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。

LibRec项目的系统结构如图所示。其中，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。示例程序如下所示：

publicstatic voidmain(String[] args)throwsException{

// build data model

Configuration conf =newConfiguration();

conf.set("dfs.data.dir","path/to/data/folder/");

Randoms.seed(1);

TextDataModel dataModel = newTextDataModel(conf);

dataModel.buildDataModel();

// build recommendercontext

RecommenderContextcontext =newRecommenderContext(conf, dataModel);

// build similarity

conf.set("rec.recommender.similarity.key","item");

RecommenderSimilarity similarity = newPCCSimilarity();

similarity.buildSimilarityMatrix(dataModel);

context.setSimilarity(similarity);

// build recommender

conf.set("rec.neighbors.knn.number","5");

Recommender recommender = newItemKNNRecommender();

recommender.setContext(context);

// run recommenderalgorithm

recommender.recommend(context);

// evaluate therecommended result

RecommenderEvaluatorevaluator =newRMSEEvaluator();

System.out.println("RMSE:"+ recommender.evaluate(evaluator));

}

这段示例程序调用了ItemKNN算法，采用RMSE对结果进行评估。用户也可以根据实际应用，采用其他算法与评估器来进行推荐计算。LibRec的参数配置是在配置文件中设定的，主要分为两部分。一部分是流程控制参数(默认加载)，与推荐算法无关；另一部分是与推荐算法相关的参数。LibRec项目仍在快速开发中，未来会继续增强核心模块的功能，添加与深度学习相关的算法实现，并扩展至Spark等平台。

欢迎关注公众号【LibRec】，获取LibRec和推荐系统相关的研究进展。公众号会定期推送最新的开发进展，近期还推出了“每周算法”栏目，解读推荐领域比较重要的研究工作和技术发展，广受读者朋友们的喜爱。也欢迎大家多多贡献代码算法，提交pullRequest。LibRec的发展离不开大家的关注和支持，也希望聚合众人的力量在推荐系统领域创建合作共享、协同创新的开源氛围，推动推荐算法的进一步实际应用和推广。