libFM安装、使用以及pywFM使用问题

libFM安装

1.下载libFM源码包： 源包
2.解压压缩包libfm-1.42.src（为方便后续操作，将文件重命名为libfm）
3.在终端输入命令行：cd /Users/xxx/Desktop/libfm/，即到libfm放置的目录下，我是将源包放置在了桌面上。
4.在进入到指定目录之后，继续输入命令行：make all，即可安装成功。
（libFM具体使用指导手册：manual.pdf）

pywFM安装及使用

1.pywFM可以直接利用libFM完成Factorization Machines的功能，减少了编写代码量，安装方法较为简单，直接在终端输入命令:pip3 install pywFM即可（python2使用pip）
2.在使用pywFM的过程，也可以直接下载pywFM的源码包：源码包，其中我下载的是最新版的0.12.1，打开下载的包中，在pywFM文件中找到__init__.py，将其中的代码复制，在需要使用到项目中新建一个例如：machine.py文件，将代码粘贴其中即可。使用的时候，在对应的py文件头加入：from machine import FM即可。
3.因为下载的pywFM源码包中有一个examples文件夹，其中的simple.py中包含一个简单的例子，可以来尝试运行。在运行之前，要将__init__.py文件中的235以及246行分别加入.decode(“utf-8”)，否则会报错（如果是直接pip安装的pywFM,原始的__init__.py中是不需要加入的）。
4.在运行例子的时候，由于pywFM默认学习方法是"mcmc"，运行会报错：EmptyDataError的错误，并且指出问题在于__init__.py中的274行：rlog = pd.read_csv(rlog_fd.name, sep=’\t’)，如果要解决这个问题，目前我是将学习方法改为"sgd"或者"als"就不会报错。
最近的解决方法：因为mcmc是没有save_model的方法的，所以我们只需要将pywFM里的对应save_model注释掉就可以使用mcmc优化了，但是唯一缺点就是训练之后不能保存模型，不过无伤大雅

# needs further tests
        subprocess.call(args, shell=False, stdout=stdout)

        # reads output file
        preds = [float(p) for p in out_fd.read().decode("utf-8").split('\n') if p]  #注意此处的.decode("utf-8")需要自己添加

        # "hidden" feature that allows users to save the model
        # We use this to get the feature weights
        # https://github.com/srendle/libfm/commit/19db0d1e36490290dadb530a56a5ae314b68da5d
        import numpy as np
        global_bias = None
        weights = []
        pairwise_interactions = []
        # if 0 its global bias; if 1, weights; if 2, pairwise interactions
        out_iter = 0
        for line in model_fd.read().decode("utf-8").splitlines():  #注意此处的.decode("utf-8")需要自己添加
            # checks which line is starting with #
            if line.startswith('#'):
                if "#global bias W0" in line:
                    out_iter = 0
                elif "#unary interactions Wj" in line:
                    out_iter = 1
                elif "#pairwise interactions Vj,f" in line: