LibRec： 基于機器學習的大數據推薦系統

簡介：

LibRec 是領先的推薦系統Java開源算法工具庫，覆蓋了70余個各類型推薦算法，有效解決評分預測和物品推薦兩大關鍵的推薦問題。推薦系統是機器學習和大數據技術的經典實際應用，旨在提供高效準確的個性化物品推薦，是現代Web應用的重要組件。

項目結構清晰，代碼風格良好，測試充分，注釋與手冊完善。目前項目使用GPL3.0協議開源在github中，歡迎大家試用。

Librec: http://www.librec.net/

GithubRepo:  https://github.com/guoguibing/librec

DocLink: http://wiki.librec.net/doku.php

特色功能：

l  豐富的算法集

截止到目前，LibRec已經集成了70余個各類型推薦算法。具體來說，分為基準算法、協同過濾算法、基于內容的算法、情景感知算法、混合算法和其它擴展算法等。在2.0版本中，增加了40余個新算法，包括概率圖模型、張量分解模型、因子分解機、基于評論的模型、深度學習模塊（RBM）等新穎的算法。團隊的每個核心開發人員往往負責某一類型算法的開發和測試工作。

l  良好的模塊化

相對于LibRec 1.x，新版本在底層結構上做了非常深入的優化，尤其是模塊化方面。新版本的推薦庫可分為以下三部分：數據預處理、推薦算法和訓練后處理。在數據預處理模塊，主要是數據的轉換與分割。支持兩種格式數據的輸入和轉換，一個是常見的 User-Item-Rating 格式，另一個是更通用的ARFF格式，用戶還可以擴展新類型的數據以增強現有的ARFF格式。在數據分割方面，支持按Ratio，Given-N，k-fold Cross validation, Leave-one-out等方式。在推薦模型模塊，包括情景感知和算法集成。情景感知指的是算法依賴的情景信息，如用戶相似度；算法集成則是算法的邏輯實現。在模型訓練之后，LibRec支持兩種操作：一是對測試集進行評估，得到如MAE、RMSE、AUC、MAP、NDCG等測試結果；二是對給定的用戶（或情景）進行評分預測或物品推薦等查詢操作，用戶可以通過實現filter接口自定義更多的過濾操作。

l  靈活的框架配置

LibRec新版本承襲了基于配置的特點，但是有所更新和發展。新的配置實現參考了其它知名數據挖掘工具庫的實現特點，在靈活性上得到了有效的提高。具體來說，我們抽取出很多公共的配置項，也為獨立的算法保留了特定的配置參數。為了提高算法的易配置性，我們為大多數算法保留了可用的供參考配置設置。

l  高效的執行性能

LibRec一直非常注重算法執行的高效性，并盡可能地優化框架結構和算法實現。與其它的推薦算法庫相比，LibRec能夠在得到相當的推薦性能的前提下，在更短的時間內執行完成。

l  簡單的框架用法

LibRec早期版本只能獨立運行，難以集成在其它工程中使用。由于良好的模塊結構，新版本既可以單獨運行，也能夠作為依賴庫應用于其它工程中

l  良好的可擴展性

良好的易擴展性。LibRec提供了很好的公共接口以便用戶進行個性化擴展。包括數據類型、推薦算法、輸出類型、評估因子、過濾器等的擴展接口。使用LibRec開發新算法，用戶通常只需要關注新算法的邏輯實現，而不需要擔心其它部分的實現。

結構示意：

流程示意：

相關鏈接：

Librec2.0 通識篇:  https://mp.weixin.qq.com/s/AB39ihVWXYHRbeODbGO-2g

導入LibRec至Eclipse平臺: https://mp.weixin.qq.com/s/OyYn5_4GYAbF0L0SFgsHVQ

LibRec命令行操作: https://mp.weixin.qq.com/s/xnkg6BGyUUKmbs009p8XCw

Librec 一周年紀: https://mp.weixin.qq.com/s/vDnca1FMW9vVrFDgti_1IA

歡迎關注Librec微信公眾號：