Surprise簡介

Surprise（Simple Python Recommendation System Engine）是一款推薦系統(tǒng)庫，是scikit系列中的一個。surprise設計時考慮到以下目的：

讓用戶完美控制他們的實驗。為此，特別強調文檔，試圖通過指出算法的每個細節(jié)盡可能清晰和準確。

減輕數(shù)據(jù)集處理的痛苦。用戶可以使用內置數(shù)據(jù)集（Movielens， Jester）和他們自己的自定義數(shù)據(jù)集。

提供各種即用型預測算法，例如基線算法，鄰域方法，基于矩陣因子分解（SVD，PMF，SVD ++，NMF）等等。此外，內置了各種相似性度量（余弦，MSD，皮爾遜…）。

可以輕松實現(xiàn)新的算法思路。

提供評估，分析和比較算法性能的工具。使用強大的CV迭代器（受scikit-learn優(yōu)秀工具啟發(fā)）以及對一組參數(shù)的詳盡搜索，可以非常輕松地運行交叉驗證程序。

Surprise的主要特點是簡單易用，同時支持多種推薦算法：

基礎算法/baseline algorithms

NormalPredictor： 根據(jù)訓練集的分布特征隨機給出一個預測值

BaselineOnly：給定用戶和Item，給出基于baseline的估計值

基于近鄰方法(協(xié)同過濾)/neighborhood methods

KNNBasic：最基礎的協(xié)同過濾

KNNWithMeans：將每個用戶評分的均值考慮在內的協(xié)同過濾實現(xiàn)

KNNBaseline：考慮基線評級的協(xié)同過濾

矩陣分解方法/matrix factorization-based

SVD：SVD實現(xiàn)

SVDpp：SVD++，即LFM+SVD

NMF：基于矩陣分解的協(xié)同過濾

SlopeOne：一個簡單但精確的協(xié)同過濾算法

CoClustering：基于協(xié)同聚類的協(xié)同過濾算法

其中基于近鄰的方法(協(xié)同過濾)可以設定不同的相似度度量標準：

Cosine：余弦相似度

msd：均方差異相似度

pearson：Pearson相關系數(shù)。

pearson_baseline：（縮小的）Pearson相關系數(shù)，使用基線進行居中而不是平均值。

支持不同的評估準則：

rmse：均方根誤差

mae：平均絕對誤差

fcp：協(xié)調對的分數(shù)

Surprise的使用

接下來，在surprise內置的數(shù)據(jù)集（movielens）上用協(xié)同過濾算法來構建一個簡單的電影推薦系統(tǒng)。

利用協(xié)同過濾算法構建推薦系統(tǒng)，并測試效果

from __future__ import (absolute_import, division, print_function, unicode_literals)

import os

import io

from surprise import KNNBaseline

from surprise import Dataset

from evaluate, print_perf

# 定義read_item_names()函數(shù)，以獲取電影名到電影id和電影id到電影名的映射

def read_item_names():

file_name = (os.path.expanduser('~') + '/.surprise_data/ml-100k/ml-100k/u.item')

rid_to_name = {}

name_to_rid = {}

with io.open(file_name, 'r', encoding='ISO-8859-1') as f:

for line in f:

line = line.split('|')

rid_to_name[line[0]] = line[1]

name_to_rid[line[1]] = line[0]

return rid_to_name, name_to_rid

# 用KNNBaseline算法構建推薦系統(tǒng)，計算相似度

data = Dataset.load_builtin('ml-100k')

trainset = data.build_full_trainset()

sim_options = {'name': 'pearson_baseline', 'user_based': False}

algo = KNNBaseline(sim_options=sim_options)

algo.train(trainset)

# 用RMSE、MAE和FCP測試推薦系統(tǒng)效果

perf = evaluate(algo, data, measures=['RMSE', 'MAE', 'FCP'])

# 輸出結果

print_perf(perf)

利用構建的電影推薦系統(tǒng)進行推薦

# 獲取電影名到電影id 和 電影id到電影名的映射

rid_to_name, name_to_rid = read_item_names()

# 根據(jù)Toy Story這部電影來進行推薦

# 找到Toy Story這部電影對應的item id

toy_story_raw_id = name_to_rid['Toy Story (1995)']

toy_story_raw_id

toy_story_inner_id = algo.trainset.to_inner_iid(toy_story_raw_id)

toy_story_inner_id

# 找到相似度最近的10個電影

toy_story_neighbors = algo.get_neighbors(toy_story_inner_id, k=10)

toy_story_neighbors

# 從近鄰的id映射回電影名稱

toy_story_neighbors = (algo.trainset.to_raw_iid(inner_id)

for inner_id in toy_story_neighbors)

toy_story_neighbors = (rid_to_name[rid]

for rid in toy_story_neighbors)

print()

print('The 10 nearest neighbors of Toy Story are:')

for movie in toy_story_neighbors:

print(movie)

參考鏈接：

總結

以上是生活随笔為你收集整理的python surprise库_Python推荐系统库：Surprise的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。