隐式反馈的张量流推荐系统模型
recsys-models的Python项目详细描述
recsysmodels
在这里我们实现了各种隐式反馈和顺序推荐的推荐系统算法。这些算法是用python和TensorFlow实现的。此包旨在提供这些算法的清晰、带注释和高效的实现,以及易于实验和使用的包装类和方法。
隐性反馈
这个包主要关注基于sequential和implicit feedback的建议。在这些设置中,用户对项目没有明确的数字分级-只有他们所采取的操作的记录。因此,只有观察到的正面反馈-如果用户u
没有与项目i
交互,可能是因为他们不喜欢该项目(负面),或者他们只是还没有找到该项目(正面)。
这里实现的算法从成对排序的角度来处理隐式反馈推荐问题,其中我们假设与用户交互的项目的排名应该高于用户尚未交互的项目。
实现的算法
- 贝叶斯个性化排名(bpr),来自'BPR: Bayesian Personalized Ranking from Implicit Feedback'(rendle等人2009年)
- 因子化的个性化马尔可夫链(fpmc),来自'Factorizing personalized Markov chains for next-basket recommendation'(rendle等人2010年)
- transrec,来自'Translation-based Recommendation'(he,et al.2017年)
安装
RecSysModels
位于^{pip
安装包:
$ pip install recsys_models
依赖关系
示例用法
有关示例用法,请参见^{
互操作性
为了实现互操作性,这个包支持初始化一个模型,该模型的预训练权重是从在其他框架下训练的模型导出的numpy
数组的形式。有关可训练变量及其形状的描述,请参见各个模型文件(例如BPR)。