lyst/lightfm
Lightfm
LightFM est une bibliothèque de recommandation Python et un framework de machine learning conçu pour prédire les préférences des utilisateurs. Il implémente un moteur de recommandation hybride qui combine le filtrage collaboratif avec le filtrage par contenu en intégrant les données d'interaction utilisateur-élément avec des métadonnées descriptives.
Le système utilise la factorisation de matrice hybride pour apprendre des représentations latentes des utilisateurs et des éléments. Il est spécifiquement conçu pour gérer les feedbacks implicites, utilisant des fonctions de perte spécialisées telles que Weighted Approximate Rank Pairwise (WARP) et Bayesian Personalized Ranking (BPR) pour optimiser les préférences d'éléments pour les jeux de données manquant de notes négatives.
La bibliothèque fournit des outils pour entraîner des modèles via la descente de gradient stochastique, calculer des prédictions de préférence d'éléments et évaluer la précision du modèle. Elle prend en charge le classement personnalisé des éléments et la prédiction du comportement des utilisateurs en synthétisant des matrices d'interaction avec des plongements de caractéristiques (embeddings).
Features
- Recommender Systems - Provides a hybrid recommendation system combining collaborative filtering with content-based metadata.
- Interaction Matrix Factorizers - Uses latent-factor matrix factorization to decompose user-item interactions into shared embedding spaces.
- Hybrid Matrix Factorization - Learns latent representations of users and items using hybrid matrix factorization.
- Recommendation Engines - Implements a hybrid recommendation engine that integrates interaction data with user and item metadata.
- Implicit Feedback Models - Optimizes item preferences using WARP and BPR loss functions for datasets without negative ratings.
- Preference Prediction - Calculates preference scores for users and items based on learned latent representations.
- Implicit Feedback Modeling - Designed to handle implicit feedback using specialized loss functions for datasets lacking negative ratings.
- Recommendation List Generators - Generates ranked lists of item suggestions by synthesizing interaction data and metadata.
- Hybrid Feature Embeddings - Combines collaborative filtering with item and user metadata by summing their latent vectors.
- Personalized Item Ranking - Calculates preference scores for specific user-item pairs to generate personalized rankings.
- Hybrid Recommendation Training - Learns preferences by processing interaction matrices and metadata via stochastic gradient descent.
- Recommendation Model Training - Optimizes model parameters using interaction data and specific loss functions to learn user behavior.
- Model Performance Evaluators - Includes tools for evaluating model precision and accuracy by comparing suggestions against ground truth.
- Implicit Feedback Optimization - Trains models on positive-only interaction datasets using specialized losses like WARP or BPR.
- Top-K Accuracy Evaluators - Measures recommendation accuracy by evaluating the proportion of relevant items in the top-k results.
- Recommendation Libraries - Provides a comprehensive Python library for training and evaluating recommendation models.
- User Behavior - Learns patterns from interaction matrices and metadata to predict future user behavior.
- Stochastic Gradient Descent - Utilizes stochastic gradient descent to iteratively update model weights based on interaction samples.
- Personalized Ranking Optimizers - Implements Bayesian Personalized Ranking to maximize the probability of user preference for interacted items.
- Recommender Frameworks - Python implementation of collaborative and content-based learning-to-rank algorithms.
- Recommender Systems - Hybrid recommendation algorithms for implicit and explicit feedback.
