Recommenders 是一个旨在帮助研究人员、开发者和爱好者快速构建和部署各种推荐系统的项目。该项目隶属于 Linux Foundation of AI and Data，提供了丰富的 Jupyter Notebook 示例和最佳实践，涵盖了推荐系统的五个关键任务：数据准备、模型构建、算法评估、模型选择与优化，以及模型的生产化部署。
最新动态（2024年5月）
我们发布了新版本 Recommenders 1.2.0。此次更新包含大量改进，如对 Python 3.8 至 3.11 的全面测试（大约 1800 个测试）、多种算法性能的提升、笔记本的审查和许多其他改进。
项目简介
Recommenders 项目提供了构建推荐系统的示例和最佳实践，主要通过 Jupyter Notebooks 详细展示了以下五个关键任务：
- 数据准备：为每个推荐算法准备和加载数据。
- 模型构建：使用多种经典和深度学习推荐算法构建模型，如交替最小二乘法（ALS）或极限深度因子分解机（xDeepFM）。
- 算法评估：使用离线指标评估算法。
- 模型选择与优化：调优和优化推荐模型的超参数。
- 模型生产化部署：在 Azure 上将模型部署到生产环境。
此外，Recommenders 库还提供了多种实用工具，支持常见任务如加载数据集、评估模型输出和分割训练/测试数据。库中还包含了一些最先进的算法实现，供学习和在实际应用中定制。
快速开始
我们推荐使用 conda 进行环境管理，并使用 VS Code 进行开发。以下是在 Linux/WSL 上安装 Recommenders 包并运行示例笔记本的步骤：
# 1. 安装 gcc（如果尚未安装）。在 Ubuntu 上，可以使用以下命令：
# sudo apt install gcc
# 2. 创建并激活新的 conda 环境
conda create -n <environment_name> python=3.9
conda activate <environment_name>
# 3. 安装 Recommenders 核心包。它可以运行所有 CPU 笔记本。
pip install recommenders
# 4. 创建一个 Jupyter 内核
python -m ipykernel install --user --name <environment_name> --display-name <kernel_name>
# 5. 在 VSCode 中或使用命令行克隆此仓库：
git clone https://github.com/recommenders-team/recommenders.git
# 6. 在 VSCode 中：
# a. 打开一个笔记本，例如 examples/00_quick_start/sar_movielens.ipynb；
# b. 选择 Jupyter 内核 <kernel_name>；
# c. 运行笔记本。关于在其他平台（如 Windows 和 macOS）上的安装和不同配置（如 GPU、Spark 和实验特性）的更多信息，请参阅 Setup Guide。
除了核心包，Recommenders 还提供了几个额外的包，包括：
[gpu]：用于运行 GPU 模型。[spark]：用于运行 Spark 模型。[dev]：用于仓库开发。[all]：包含[gpu]、[spark]和[dev]。[experimental]：包含未经过充分测试和/或可能需要额外安装步骤的模型。
支持的算法
Recommenders 库目前支持多种推荐算法，以下是部分算法的简介及其示例：
| 算法 | 类型 | 描述 | 示例 |
|---|---|---|---|
| 交替最小二乘法 (ALS) | 协同过滤 | 针对显式或隐式反馈的大规模数据集的矩阵分解算法，适用于 PySpark 环境。 | 快速开始 / 深入探讨 |
| ——- | —— | —— | —— |
| 注意力异步奇异值分解 (A2SVD) | 协同过滤 | 基于序列的算法，使用注意力机制捕捉用户的长短期偏好，适用于 CPU/GPU 环境。 | 快速开始 |
| Cornac/Bayesian Personalized Ranking (BPR) | 协同过滤 | 用于预测隐式反馈的矩阵分解算法，适用于 CPU 环境。 | 深入探讨 |
| Cornac/Bilateral Variational Autoencoder (BiVAE) | 协同过滤 | 用于二元数据（如用户-物品交互）的生成模型，适用于 CPU/GPU 环境。 | 深入探讨 |
| 卷积序列嵌入推荐 (Caser) | 协同过滤 | 基于卷积的算法，旨在捕捉用户的总体偏好和序列模式，适用于 CPU/GPU 环境。 | 快速开始 |
| 深度知识感知网络 (DKN) | 内容过滤 | 结合知识图谱和文章嵌入的深度学习算法，用于新闻或文章推荐，适用于 CPU/GPU 环境。 | 快速开始 / 深入探讨 |
| 极限深度因子分解机 (xDeepFM) | 协同过滤 | 用于隐式和显式反馈的深度学习算法，适用于 CPU/GPU 环境。 | 快速开始 |
| FastAI 嵌入点偏差 (FAST) | 协同过滤 | 通用算法，使用用户和物品的嵌入和偏差，适用于 CPU/GPU 环境。 | 快速开始 |
| LightFM/因子分解机 | 协同过滤 | 适用于隐式和显式反馈的因子分解机算法，适用于 CPU 环境。 | 快速开始 |
| LightGBM/梯度提升树 | 内容过滤 | 适用于内容过滤问题的梯度提升树算法，具有快速训练和低内存使用的特点，适用于 CPU/GPU/PySpark 环境。 | CPU 快速开始 / PySpark 深入探讨 |
| LightGCN | 协同过滤 | 简化的图卷积网络设计，用于预测隐式反馈，适用于 CPU/GPU 环境。 | 深入探讨 |
| GeoIMC | 协同过滤 | 利用黎曼共轭梯度优化的几何方法进行矩阵补全算法，适用于 CPU 环境。 | 快速开始 |
| GRU | 协同过滤 | 基于序列的算法，使用递归神经网络捕捉用户的长短期偏好，适用于 CPU/GPU 环境。 | 快速开始 |
| 多项式 VAE | 协同过滤 | 用于预测用户/物品交互的生成模型，适用于 CPU/GPU 环境。 | 深入探讨 |
结束语
Recommenders 库为开发推荐系统提供了丰富的资源和工具，无论是初学者还是有经验的开发者都能从中受益。通过详细的文档和多种示例，你可以快速上手并在不同的应用场景中实现推荐系统。如果你对推荐系统感兴趣，建议你深入探索 Recommenders 库中的各个示例，并根据自己的需求进行定制和扩展。
进一步学习和支持
文档和资源
Recommenders 提供了详细的文档和资源，帮助你更好地理解和使用该库：
社区和支持
Recommenders 项目由一个活跃的社区支持，你可以通过以下方式获取帮助或参与贡献：
- 加入 Slack 社区：与其他用户和开发者交流，获取实时帮助。
- GitHub 讨论：在项目的讨论区提出问题、分享经验或讨论改进建议。
- 贡献代码：如果你有兴趣为项目做出贡献，可以查看贡献指南，了解如何提交代码、报告问题或改进文档。
安装和环境配置
为了方便开发和环境管理，Recommenders 推荐使用 conda。以下是关于环境配置的一些重要提示：
- 核心包：
pip install recommenders安装核心包，适用于大多数 CPU 环境。 - 额外包：
[gpu]：pip install recommenders[gpu]，适用于需要 GPU 支持的模型。[spark]：pip install recommenders[spark]，适用于需要 Spark 支持的模型。[dev]：pip install recommenders[dev]，适用于开发和测试。[all]：pip install recommenders[all]，包含以上所有额外功能。[experimental]：pip install recommenders[experimental]，包含实验性模型和功能。
示例运行
以下是一个快速示例，展示如何使用 Recommenders 运行一个 Jupyter Notebook：
- 安装依赖：
# 安装 gcc（如果尚未安装） sudo apt install gcc # 创建并激活新的 conda 环境 conda create -n recommenders_env python=3.9 conda activate recommenders_env # 安装 Recommenders 核心包 pip install recommenders # 创建 Jupyter 内核 python -m ipykernel install --user --name recommenders_env --display-name "Recommenders Env" - 克隆仓库：
git clone https://github.com/recommenders-team/recommenders.git - 运行 Jupyter Notebook：
- 打开 VS Code，加载克隆的仓库。
- 选择一个示例笔记本，如
examples/00_quick_start/sar_movielens.ipynb。 - 选择 Jupyter 内核 “Recommenders Env”。
- 运行笔记本，体验推荐系统的构建过程。
通过这些步骤，你可以轻松上手 Recommenders 库，开始构建和优化自己的推荐系统。希望这篇文章能帮助你更好地理解和使用 Recommenders 库，祝你在推荐系统的探索之旅中取得成功！