category
LightFM是许多流行的推荐算法的Python实现，用于隐式和显式反馈。
它还可以将项目和用户元数据合并到传统的矩阵分解算法中。它将每个用户和项目表示为其特征的潜在表示的总和，从而允许推荐泛化到新项目（通过项目特征）和新用户（通过用户特征）。
该方法的细节在arXiv上提供的LightFM论文中进行了描述。
快速入门
如果你不耐烦，直接跳到Movielens快速入门。
安装
PyPI
使用pip从pypi安装：pip安装lightfm。在Linux、使用Homebrew Python的OSX和使用Miniconda的Windows上，一切都应该开箱即用。
OSX和Windows用户注意：默认情况下，LightFM在OSX和窗口上不使用OpenMP，因此所有型号配件都是单线程的。这是由于Clang（和Miniconda）不支持OpenMP，安装启用OpenMP的gcc版本既复杂又劳动密集。如果你想在这些平台上使用LightFM的多线程功能，你应该尝试通过Docker使用它，如下一节所述。
也不支持使用OSX中包含的默认Python发行版进行构建；请尝试Homebrew或Anaconda的版本。
使用Docker
在许多系统中，在Docker容器中尝试LightFM可能更方便。此存储库提供了一个足以运行LightFM及其示例的小型Dockerfile。要运行它：
- 安装Docker并启动Docker deamon/虚拟机。
- 克隆此存储库并导航到它：git clone git@github.com:lyst/lightfm.git && cd lightfm。
- 运行docker-compose build lightfm来构建容器。
容器现在应该可以使用了。然后，您可以：
- 通过运行docker-compose run lightfm py.test -x lightfm/tests/ 来运行测试/
- 通过运行docker-compose run --service-ports lightfm jupyter notebook lightfm/examples/movielens/example.ipynb --allow-root --ip="0.0.0.0" --port=8888 --no-browser 来运行movilens示例。笔记本电脑将在容器IP地址的8888端口访问。
使用方法
使用主LightFM类进行模型拟合非常简单。
创建具有所需潜在维度的模型实例：
from lightfm import LightFM model = LightFM(no_components=30)
假设train是一个（无用户，无项目）稀疏矩阵（1表示正交互，-1表示负交互），你可以通过调用来拟合传统的矩阵因式分解模型：
model.fit(train, epochs=20)
这将训练传统的MF模型，因为没有提供用户或项目功能。
要获取预测，请调用model.predict：
predictions = model.predict(test_user_ids, test_item_ids)
用户和项目特征可以通过将其传递到拟合方法中来纳入培训。假设user_feature是一个（no_users，no_user_feature）稀疏矩阵（item_feature也是如此），您可以调用：
model.fit(train, user_features=user_features, item_features=item_features, epochs=20) predictions = model.predict(test_user_ids, test_item_ids, user_features=user_features, item_features=item_features)
以训练模型并获得预测。
训练和预测都可以使用多个核心来提高速度：
model.fit(train, epochs=20, num_threads=4) predictions = model.predict(test_user_ids, test_item_ids, num_threads=4)
该实现使用异步随机梯度下降[6]进行训练。当交互矩阵（或特征矩阵）非常密集并且使用大量线程时，这可能会导致精度降低。然而，在实践中，在具有20个线程的稀疏数据集上进行训练不会导致可测量的准确性损失。
在隐式反馈设置中，可以使用BPR、WARP或k-OS WARP损失函数。如果训练是一个稀疏矩阵，其中正条目表示正交互，则模型可以按如下方式训练：
model = LightFM(no_components=30, loss='warp') model.fit(train, epochs=20)
示例
查看示例目录以获取更多示例。
Movielens示例展示了如何在Movielens数据集上使用LightFM，包括使用和不使用电影元数据。另一个例子比较了adagrad和adadelta学习计划的性能。
Kaggle优惠券购买预测示例将LightFM应用于预测优惠券购买。
关于使用LightFM的文章和教程
- Learning to Rank Sketchfab Models with LightFM
Metadata Embeddings for User and Item Cold-start Recommendations
在更改.pyx扩展名文件时，您需要运行python setup.py cythonize，以便在运行pip install-e之前生成扩展名.c文件。。
- 登录 发表评论