go推薦系統項目介紹

近期想使用推薦系統實現一些功能，因爲不懂Java，擔憂Python的性能不夠，所以就關注了go語言實現的開源項目。

推薦系統中的協同過濾算法原理

協同過濾的原理很簡單，就是根據用戶對物品或者信息的偏好，發現物品或者內容自己的相關性， 或者是發現用戶的相關性,而後再基於這些關聯性進行推薦

這裏主要實現了基於用戶和基於項目的協同過濾兩種推薦算法¹

基於用戶的協同推薦（User based Collaborative Filtering Recommendation）

基於用戶協同推薦的原理是，根據全部用戶對物品或者信息的偏好，發現當前用戶口味和偏好類似的「鄰居」用戶羣， 基於鄰居的偏好信息，對用戶進行推薦

舉例, 假設有如下關係

A --> a,c 表示用戶A喜歡物品a和c
B --> b
C --> a,c,d
能夠發現用戶A和C的口味偏好類似（他們是鄰居），同時C喜歡物品d，那麼咱們能夠推斷 用戶A也可能喜歡物品d

Item based Collaborative Filtering Recommendation

基於項目的協同推薦

基於項目的協同推薦的原理是，它使用全部用戶對物品或者信息的偏好，發現物品和物品之間的類似度， 而後根據用戶的歷史偏好信息，將相似的物品推薦給用戶

舉例，假設有如下關係

A --> a,c
B --> a,b,c
C --> a
根據基於項目的協同過濾原理，能夠發現物品a和物品c類似，用戶C喜歡a物品，那麼能夠把c物品推薦給他

在github上搜索，發現項目較少，較爲完善的是gorse項目

gorse: Go Recommender System Engine

gorse使用go語言實現推薦系統，提供如下模塊方便構建推薦系統：

• 數據：支持從文件加載（提供內置部分數據可用於測試）
• 分離器：支持k-fold、 比率ratio 、 leave-one-out分離數據集
• 模型：推薦模型基於協同過濾算法，包括矩陣分解、基於臨接的方法、Slope One、Co-Clustering²
• 評估：可以使用RMSE、 MAE來評分，包括準確率Precision、召回率Recall、歸一化折損累積增益NDCG、MAP、MRR、AUC
• 參數搜尋：使用方式網格搜索grid search 或 隨機搜索random search尋找最佳超參數
• 持久化：保存模型或加載模型
• SIMD（可選）：理論上在對矢量採用AVX2指令，能夠得到比單指令快4倍的速度

項目地址：github.com/zhenghaoz/gorse

---

1. 推薦項亮著的推薦系統實踐 ↩
2. 實現推薦系統引擎(一)：評分預測 ↩