推荐系统

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。

推荐系统将始终保持相关性——用户希望看到个性化的内容，最好的目录（就我们的iFunny应用程序而言，是流行的表情包和笑话）。我们的团队正在测试数十个关于智能提要如何改善用户体验的假设。本文将告诉您我们是如何实现协作模型之上的第二级模型的：我们遇到了什么困难，以及它们是如何影响指标的。

通常，矩阵分解，如隐式分解。ALS用于帮助改善饲料。在这种方法中，对于每个用户和每个对象，我们都会得到嵌入，而嵌入最接近用户嵌入的内容（在余弦度量中）最终会出现在最受欢迎的推荐中。

该方法工作迅速，但没有考虑所有信息（例如，在矩阵分解中添加用户的性别和年龄将是一项挑战）。

两级推荐系统试图在不放弃“永恒经典”的情况下使用更复杂的算法

实施两层推荐系统

我们需要从各种算法中“组装”出一个顶级解决方案。我们拥有：

【编者按】这是田进的客串文章。我们强调这个应用程序，因为我们认为它是一个新颖的用例。具体而言，我们认为推荐系统在我们的日常生活中具有难以置信的影响力，关于LLM将如何影响这些系统，目前还没有大量的讨论。

我们都经历过使用推荐系统的痛苦：你注册了推特来跟上最新的人工智能研究，但点击一个有趣的模因会让你的时间线充满类似的分心。这些系统的作用是最大限度地提高所有者的利润，而不是你的福利。在这里，我们概述了我们以LangChain为动力的解决方案背后的基本原理，以解决其核心问题。

透明度和可配置性。

在布莱恩·克里斯蒂安（Brian Christian）的《结盟问题》（the Alignment Problem）一书中，他分享了一则轶事：他的朋友正在从酒精成瘾中恢复，但推荐系统可能有点太了解他对酒精的热爱，并在他的推送中充斥着酒精广告。这一集生动地说明了一个反复出现的问题——推荐系统善于迎合我们今天的样子，但几乎没有给我们留下什么自由来决定我们想要成为什么样的人。目前的推荐系统缺乏透明度和可配置性。因此，我们很难识别推荐系统对我们的偏好做出的任何有问题的推断，更不用说修改它们了。

The topic of my dissertation is recommendation system. I collected some classic and awesome papers here. Good luck to every RecSys-learner.

Awesome Recommendation System Papers

My email is ZhangYuyang4d@163.com. If you find any mistakes, or you have some suggestions, just send a email to me.

By the way, the RecSys is one of the most important conference in recommendation.