recommenders

什么是新的（2025年4月）

我们达到了20,000星！

我们很高兴地宣布，我们已经在Github上达到了20,000颗星！感谢您对recommenders项目的支持和贡献。我们很高兴能在您的帮助下继续构建和改进该项目。

查看发布recommenders 1.2.1！

由于依赖关系，提高了安全性，审查了笔记本电脑和库，我们修复了许多错误。

介绍

recommenders目标是协助研究人员，开发人员和爱好者进行原型制作，进行实验，并为一系列经典和最先进的推荐系统提供生产。

recommenders是AI和数据基础下的一个项目。

该存储库包含用于构建推荐系统的示例和最佳实践，作为Jupyter笔记本电脑。示例详细介绍了我们对五个关键任务的学习：

• 准备数据：为每种建议算法准备和加载数据。
• 模型：使用各种经典和深度学习建议算法（例如交替的最小二乘（ALS）或极端深度分解机器（XDEEPFM））建立模型。
• 评估：评估具有离线指标的算法。
• 模型选择和优化：调整和优化推荐模型的超参数。
• 操作：在生产环境中在Azure上操作模型。

recommenders人中提供了几种公用事业，以支持常见任务，例如以不同算法预期的格式加载数据集，评估模型输出以及拆分培训/测试数据。包括几种最先进算法的实现用于您自己的应用程序中的自学和自定义。请参阅recommenders文档。

有关存储库的更详细概述，请参阅Wiki页面上的文档。

有关应用推荐系统的某些实际场景，请参见方案。

入门

我们推荐Conda进行环境管理和VS开发代码。要安装recommenders包并在Linux/WSL上运行示例笔记本：

recommenders package. It can run all the CPU notebooks.
pip install recommenders

# 4. create a Jupyter kernel
python -m ipykernel install –user –name <environment_name> –display-name <kernel_name>

# 5. Clone this repo within VSCode or using command line:
git clone https://gi*thu*b.*com/recommenders-team/ recommenders .git

# 6. Within VSCode:
# a. Open a notebook, e.g., examples/00_quick_start/sar_movielens.ipynb;
# b. Select Jupyter kernel <kernel_name>;
# c. Run the notebook.\”>

 # 1. Install gcc if it is not installed already. On Ubuntu, this could done by using the command
# sudo apt install gcc

# 2. Create and activate a new conda environment
conda create -n < environment_name > python=3.9
conda activate < environment_name >

# 3. Install the core recommenders package. It can run all the CPU notebooks.
pip install recommenders

# 4. create a Jupyter kernel
python -m ipykernel install --user --name < environment_name > --display-name < kernel_name >

# 5. Clone this repo within VSCode or using command line:
git clone https://gi*thu*b.*com/recommenders-team/ recommenders .git

# 6. Within VSCode:
#   a. Open a notebook, e.g., examples/00_quick_start/sar_movielens.ipynb;  
#   b. Select Jupyter kernel <kernel_name>;
#   c. Run the notebook.

有关其他平台上设置的更多信息（例如，Windows和MacOS）以及不同的配置（例如GPU，SPARK和实验功能），请参见“设置指南”。

除核心包外，还提供了几个附加功能，包括：

• [GPU]：运行GPU模型所需。
• [SPARK]：运行火花模型所需。
• [DEV]：回购需要开发。
• [all]：[GPU] | [SPARK] | [DEV]
• [实验]：未经彻底测试和/或可能需要其他安装步骤的模型。

算法

下表列出了存储库中当前可用的建议算法。笔记本在示例列下链接为快速启动，展示了易于运行的算法示例或深入潜水，并详细解释了该算法的数学和实现。

注意： ^*指示由Microsoft发明/贡献的算法。

独立或孵化算法和实用程序是贡献文件夹的候选者。这将容纳可能不容易适合核心存储库或需要时间来重构或成熟代码并添加必要的测试的贡献。

算法比较

我们提供了一个基准笔记本，以说明如何评估和比较不同的算法。在此笔记本中，使用分层分配的Movielens数据集将其分为75/25的训练/测试集。使用下面的每种协作过滤算法对推荐模型进行了训练。我们利用此处文献中报道的经验参数值。对于排名指标，我们使用k = 10（推荐的十个项目）。我们在具有4个CPU，30GB RAM和1 GPU GEFORCE GTX 1660 Ti的机器上进行比较，具有6GB的内存。 Spark ALS以本地独立模式运行。在此表中，我们显示了Movielens 100K的结果，运行了15个时期的算法。

贡献

该项目欢迎贡献和建议。在贡献之前，请参阅我们的贡献指南。

该项目遵守此行为守则，以促进一个欢迎和鼓舞人心的社区。

建立状态

这些测试是夜间构建，它计算异步测试。主要是我们的主要分支，分期是我们的开发分支。我们使用PYTEST在recommenders测试Python实用程序，并为笔记本电脑recommenders笔记本执行程序进行测试。

有关测试管道的更多信息，请参阅测试文档。

Azureml夜间建造状态

夜间建造测试每天在Azureml上进行。

参考

• 免费课程：M。González-Fierro，“推荐系统：实用介绍”，LinkedIn Learning，2024。可在此链接上可用。
• D. Li，J。Lian，L。Zhang，K。Ren，D。Lu，T。Wu，X。Xie，“推荐系统：边境和实践”，Springer，北京，2024年。此链接可用。
• A. Argyriou， M。González -Fierro recommenders L.
• S. Graham，JK Min，T。Wu，“ Microsoft recommenders ：加速发展推荐系统的工具”， Recsys \’19：2019年第13届ACM会议会议，2019年。
• L. Zhang，T。Wu，X。Xie，A。Argyriou，M。González-Fierro和J. Lian，“规模规模建筑生产的建议系统”， ACM SIGKDD知识发现与数据挖掘会议2019年（KDD 2019） ，2019年，2019年，2019年。