推荐算法 Surprise（三）

最新推荐文章于 2022-08-10 18:45:16 发布

allold

最新推荐文章于 2022-08-10 18:45:16 发布

阅读量1.1k

点赞数 3

文章标签：推荐系统 surprise

本文介绍了Surprise推荐系统中预测算法的使用，包括内置算法的来源和预测方法。讨论了基线估计配置，如SGD和ALS，并详细说明了相关参数。此外，还提到了相似度度量的配置选项，如Pearson基线。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

预测算法的使用

Surprise提供很多内置算法。所有算法都来源于AlgoBase这个基础类，这其中包括一些关键方法（例如predict，fit和test）可供使用的预测算法的种类与细节可以在prediction_algorithms文档中查阅。

每个算法都是Surprise全局命名空间的一部分，因此您只需要从Surprise包中导入它们的名称，例如：

from surprise import KNNBasic
algo = KNNBasic()

一些算法可能使用baseline estimates，一些算法可能使用similarity measure。我们在这里回顾 baseline与 similarities的计算方式。

Baselines estimates configuration：

注意：

本节仅适用于那些最小化以下正则化平方误差的算法（或similarity measures）：
在这里插入图片描述
对于其他使用baseline目标函数的算法（例如SVD算法），配置是完全不同的，请查阅它们自己的文档进行了解。

首先，如果你不想了解baseline是如何计算的，默认的参数完全可以供您直接使用。如果您想深入了解，那请继续阅读。

你可能想阅读2.1节的Kor10来对baseline estimates有更深的了解。

我们可以通过两种不同的方式计算baseline：

1. Stochastic Gradient Descent (SGD)。
2. Alternating Least Squares (ALS)。

您可以使用在创建算法时使用参数bsl_options来设置baseline的计算方式，此参数由一个字典表示，其键method确定要使用的方法，可允许接受的值为als（默认）和sgd。根据你所选择的值，可以进一步设置其他参数。

对于ALS:
reg_i：物品的正则化参数，对应Kor10中的参数λ2 ，默认值为10。
reg_u：用户的正则化参数，对应Kor10中的参数λ3，默认值为15 。
n_epochs：ALS程序迭代的次数，默认值为10，注意Kor10所描述的是单次ALS的过程。

对于SGD：
reg：代价函数的正则化项，对应Kor10中的λ1与 λ5，默认值为0.02。
learning_rate：SGD的学习率，对应Kor10中的γ ，默认值0.005。
n_epochs：SGD的迭代次数，默认值为20。

注意：对于ALD与SGD,用户和物品的偏置（bu和bi）初始化为都为0。

ALS:

print('Using ALS')
bsl_options = {'method': 'als',
               'n_epochs': 5,
               'reg_u': 12,
               'reg_i': 5
               }
algo = BaselineOnly(bsl_options=bsl_options)

SGD:

print('Using SGD')
bsl_options = {'method': 'sgd',
               'learning_rate': .00005,
               }
algo = BaselineOnly(bsl_options=bsl_options)

Similarity measure configuration：

许多算法使用相似度来估计评分的算法，配置方法和baseline rating类似，在调用算法时，只需传递sim_options参数进行配置，这个参数的形式必须是字典，介绍关键的参数如下：

name：相似度度量方法名称，这些方法定义在similarities中，默认是MSD。
user_based: 用户或者物品间相似度的度量。默认为True（基于用户）。
min_support:（没搞懂，待补充）
shrinkage：此参数仅在使用pearson_baseline相似度时设置，默认100。

举例：

sim_options = {'name': 'cosine',
               'user_based': False  # compute  similarities between items
               }
algo = KNNBasic(sim_options=sim_options)

sim_options = {'name': 'pearson_baseline',
               'shrinkage': 0  # no shrinkage
               }
algo = KNNBasic(sim_options=sim_options)

详情请参考similarities模型。