معرفی شرکت ها
acf-0.2.3
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Lightweight recommender engine
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | acf-0.2.3 |
| نام | acf |
| نسخه کتابخانه | 0.2.3 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Jan Cervenka |
| ایمیل نویسنده | jan.cervenka@yahoo.com |
| آدرس صفحه اصلی | - |
| آدرس اینترنتی | https://pypi.org/project/acf/ |
| مجوز | - |
# Acf
[1]: https://dl.acm.org/doi/10.1109/ICDM.2008.22
*A lightweight recommender engine for implicit feedback datasets*
The package implements an algorithm described in
[Collaborative Filtering for Implicit Feedback Datasets][1] paper.
The algorithm is based on the following ideas:
* using collaborative filtering with latent factors
* transforming feedback observations into binary preferences
with associated confidence levels
* using alternating least sqaures to compute the matrix factorization
## Install
The package requires Python `3.7` or newer, the only dependencies are
`numpy` and `pandas`. To install it, run
```bash
pip install acf
```
## Usage
The following example shows how to train a model and compute predictions.
```python
import acf
import pandas as pd
# assuming the data are in the following format:
# | user_id | item_id | feedback |
# |---------|---------|----------|
# | 2491 | 129 | 2 |
interactions = pd.read_csv('interactions.csv')
engine = acf.Engine(reg_lambda=1, alpha=35, n_factors=2, random_state=0)
engine.fit(interactions,
user_column='user_id',
item_column='item_id',
feedback_column='feedback',
n_iter=20,
n_jobs=4)
# get the best 20 recommendations
prediction = engine.predict(user=2491, top_n=20)
# to print training loss value at every iteration
print(engine.loss)
```
### Model Evaluation
For performance evaluation, the package offers `metrics.mean_rank`
function that implements "mean rank" metric as defined by equation
8 in the [paper][1].
The metric is a weighted mean of percentile-ranked recommendations
(`rank_ui = 0` says that item `i` is the first to be recommended for
user `u` and item `j` with `rank_uj = 1` is the last to be recommended)
where the weights are the actual feedback values from `R` user-item matrix.
```python
interactions_test = pd.read_csv('intercations_test.csv')
print(acf.metrics.mean_rank(interactions=interactions_test,
user_column='user_id',
item_column='item_id'
feedback_column='feedback',
engine=engine))
```
### Model Persistence
Trained model can be serialized and stored using `joblib` or `pickle`.
To store a model:
```python
with open('engine.joblib', 'wb') as f:
joblib.dump(engine, f)
```
To load a model:
```python
with open('engine.joblib', 'rb') as f:
engine = joblib.load(f)
```
## Public API
### `acf.Engine`
```python
acf.core.computation.Engine(reg_lambda=0.1, alpha=40,
n_factors=10, random_state=None):
```
Class exposing the recommender.
* `reg_lambda`: regularization strength
* `alpha`: gain parameter in feedback-confidence transformation
`c_ui = 1 + alpha * r_ui`
* `n_factors`: number of latent factors
* `random_state`: initial RNG state
__Properties:__
* `user_factors`: user factor matrix
* `item_factors`: item factor matrix
* `loss`: training loss history
__Methods:__
```python
Engine.fit(interactions, user_column, item_column,
feedback_column, n_iter=20, n_jobs=1)
```
Trains the model.
* `interactions`: dataframe containing user-item feedbacks
* `user_column`: name of the column containing user ids
* `item_column`: name of the column containing item ids
* `feedback_column`: name of the column containing feedback values
* `n_iter`: number of alternating least squares iteration
* `n_jobs`: number of parallel jobs
```python
Engine.predict(user, top_n=None)
```
Predicts the recommendation.
* `user`: user identification for whom the prediction is computed
* `top_n`: if not `None`, only the besr n items are included in the result
__Returns:__ predicted recommendation score for each item as `pandas.Series`
### `acf.metrics.mean_rank`
```python
acf.core.metrics.mean_rank(interactions, user_column, item_column,
feedback_column, engine)
```
Computes mean rank evaluation.
* `interactions`: dataframe containing user-item feedbacks
* `user_column`: name of the column containing user ids
* `item_column`: name of the column containing item ids
* `feedback_column`: name of the column containing feedback values
* `engine`: trained `acf.Engine` instance
__Returns:__ computed value
## Tests
Tests can be executed by `pytest` as
```bash
python -m pytest acf/tests
```
نیازمندی
| مقدار | نام |
|---|---|
| >=1.0 | pandas |
| >=1.16 | numpy |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7 | Python |
نحوه نصب
نصب پکیج whl acf-0.2.3:
pip install acf-0.2.3.whl
نصب پکیج tar.gz acf-0.2.3:
pip install acf-0.2.3.tar.gz