資源 | LibRec：領先的推薦系統開源庫

新聞 03-31

機器之心發布

作者：LibRec

LibRec 是一個領先的推薦系統開源演算法庫，它覆蓋了 70 余個各類型的推薦演算法，有效地解決了評分預測和物品推薦兩大關鍵的推薦問題。該項目結構清晰、代碼風格良好、測試充分、注釋與手冊完善，基於 GPL3.0 協議代碼開源。

LibRec官網：http://www.librec.net

GitHub 鏈接： https://github.com/guoguibing/librec

近年來，推薦系統取得了快速發展，數以百計的新演算法、新模型不斷湧現。然而，這不但給剛剛接觸推薦演算法的新人造成無所適從，而且也給那些有經驗的人士帶來不少困擾。不同的人對演算法的理解可能大相徑庭，更不用說是具體的實現了。因此，為了解決演算法實現和共享的問題，LibRec 團隊設計實現了基於 Java 的跨平台推薦框架，並以 GPL3.0 協議在 GitHub 上開源共享。

經過幾年的發展，團隊成員上千次的代碼提交，最新的版本代碼是 2.0。到目前為止，LibRec 包含了矩陣分解、概率圖模型等多種類型的 70 余個推薦演算法，10 個相似度度量方法，4 個 rating 評估指標與 10 個 ranking 評估指標，5 大類數據的分割方式以及 2 種不同格式的數據讀取，滿足絕大部分推薦系統的需求。因此，LibRec 具有演算法豐富、易於擴展、簡單易用等突出特點。

資源 | LibRec：領先的推薦系統開源庫

LibRec 項目的系統結構如圖所示。其中，Data Structure 包括常用的數據結構，如 SparseMatrix、SparseVector 等；Data Model 主要負責數據的讀取、分割、導入其他數據如社交關係等；Recommender 主要負責模型的訓練 (Inference)，預測 (Prediction)，相似度衡量 (Similarity)，以及模型的持久化 (Persistence)；最終結果可以進行評估，或者過濾之後輸出到文件。總體來說，LibRec 項目擁有良好的結構，不同模塊之間耦合度非常低，針對某個模塊的開發通常無需關心其他模塊的實現。以實現新的分割方式為例，用戶只需繼承 Splitter 介面抽象類，根據相應的邏輯重寫 splitData() 方法即可。

資源 | LibRec：領先的推薦系統開源庫

基於 LibRec 來運行推薦演算法就如同搭積木一樣簡單，其工作流程如上圖所示。首先設置好相關參數配置，然後實例化數據並測試分割，調用推薦演算法訓練學習，最後對推薦結果進行過濾和評估。示常式序如下所示：

public static voidmain(String[] args) throwsException {

// build data model

Configuration conf = newConfiguration();

conf.set("dfs.data.dir", "path/to/data/folder/");

Randoms.seed(1);

TextDataModel dataModel = newTextDataModel(conf);

dataModel.buildDataModel();

// build recommender context

RecommenderContext context = newRecommenderContext(conf, dataModel);

// build similarity

conf.set("rec.recommender.similarity.key","item");

RecommenderSimilarity similarity = newPCCSimilarity();

similarity.buildSimilarityMatrix(dataModel);

context.setSimilarity(similarity);

// build recommender

conf.set("rec.neighbors.knn.number", "5");

Recommender recommender = newItemKNNRecommender();

recommender.setContext(context);

// run recommender algorithm

recommender.recommend(context);

// evaluate the recommended result

RecommenderEvaluator evaluator = newRMSEEvaluator();

System.out.println("RMSE:"+ recommender.evaluate(evaluator));

}

這段示常式序調用了 ItemKNN 演算法，採用 RMSE 對結果進行評估。用戶也可以根據實際應用，採用其他演算法與評估器來進行推薦計算。LibRec 的參數配置是在配置文件中設定的，主要分為兩部分。一部分是流程控制參數（默認載入），與推薦演算法無關；另一部分是與推薦演算法相關的參數。LibRec 項目仍在快速開發中，未來會繼續增強核心模塊的功能，添加與深度學習相關的演算法實現，並擴展至 Spark 等平台。

歡迎關注公眾號【LibRec】，獲取 LibRec 和推薦系統相關的研究進展。公眾號會定期推送最新的開發進展，近期還推出了「每周演算法」欄目，解讀推薦領域比較重要的研究工作和技術發展，廣受讀者朋友們的喜愛。也歡迎大家多多貢獻代碼演算法，提交 pullRequest。LibRec 的發展離不開大家的關注和支持，也希望聚合眾人的力量在推薦系統領域創建合作共享、協同創新的開源氛圍，推動推薦演算法的進一步實際應用和推廣。

資源 | LibRec：領先的推薦系統開源庫