Die Shock-Bibliothek in Python ist eine Code-Herstellung, die für die Erstellung empfohlener Systeme in der gemeinsamen Filterung verwendet werden kann. Es ist über die GNU GPL-Lizenz verfügbar und wird von der Python-Group freigegeben und aktiviert.
Bei der Filtrierung in Zusammenarbeit handelt es sich um eine Technik, die die Informationen über Präferenzen oder Standorte der Benutzer nutzt, um personalisierte Empfehlungen zu erhalten. Aufgrund dieser Technik werden Kunden identifiziert, die ihnen die Präferenzen eines Benutzers für ein bestimmtes Produkt oder einen bestimmten Service vorlegen können.
Die Überraschungsbibliothek bietet eine praktische Implementierung beliebter kollaborativer Filteralgorithmen, wie z. Darüber hinaus sind auch geeignete Werkzeuge für die Validierung und Bewertung von Empfehlungsmodellen vorgesehen.
Zu den Hauptbenutzern und Anwendungen der Bibliothek „Shock“ gehören:
· Empfehlung von Filmen, Musik, Büchern und anderen Produkten und Dienstleistungen im Einklang mit den Anforderungen und Präferenzen der Benutzer.
· Personalisierung von Inhalten auf E-Studying-Plattformen, Mitteilungen, Veröffentlichungen usw.
· Analyse der Daten und Erkundung des Verhaltens von Kunden in verschiedenen Branchen.
Die wichtigsten in der Untersuchung dieser Bibliothek identifizierten Themen lauten:
· Die Implementierung verschiedener Algorithmen für die gemeinsame Filterung kann nach den spezifischen Problemanforderungen kombiniert und angepasst werden.
· Die Automatisierung der Validierungs- und Bewertungsprozesse der empfohlenen Modelle ermöglicht es Ihnen, Ihre Effizienz zu verbessern, z. B. durch die Verwendung von Metriken wie Präzision und Recuerdo.
· Die Fähigkeit zur Generierung von Empfehlungen basiert seit jeher auf den verfügbaren Informationen der Benutzer.
· Shock bietet verschiedene Datentypen, Kontextdaten, Inhaltsdaten, implizite und explizite Bewertungen. Darüber hinaus ist Shock espera, dass die eingegebenen Daten ein bestimmtes Format haben, da der Panda-Datenrahmen die Spalten „Benutzer“ (Benutzer), „Artikel“ (Aspect) und „Bewertung“ (Bewertung des Benutzers des Components) enthält.
· Ermöglichen Sie die Integration mit anderen Frameworks wie TensforFlow, um ein Empfehlungssystem mit erhöhter Vollständigkeit zu erhalten.
· Wir bieten Metriken zur Bewertung der Wirksamkeit von Modellen und Werkzeugen an, um das beste Modell zu verbessern.
· Überraschung kann eine große Anzahl von Erinnerungen für große Datenmengen erfordern. Die Zeitspanne des Auswurfs könnte ein Downside darstellen, da einige Überraschungsmodelle auftraten.
· Sie können die Förderung beliebter Elemente über weniger beliebte Elemente hinaus fördern.
Im Folgenden wird ein praktisches Beispiel für die Anwendung der Bibliothek „Shock“ für die Erstellung eines Filmempfehlungssystems vorgestellt. In diesem Beispiel verwenden Sie die Datenverbindung von MovieLens, die eine beliebte Datenverbindung für die Bewertung von Empfehlungssystemen darstellt.
Um dies zu erreichen, müssen Sie die Shock-Bibliothek in Python installieren und den PIP-Befehl verwenden. Für Sie, vom Terminal der Befehle aus können Sie Folgendes eingeben:
„
Pip-Installationsüberraschung
„
Anschließend können Sie die Verbindung zu den MovieLens-Daten abrufen und ein empfohlenes Modell für die Verwendung des Algorithmus für mehr als 100 % der verfügbaren Daten erstellen.
„Python
aus Überraschungsimport KNNWithMeans
aus dem Überraschungsimport-Datensatz
von überraschender Importgenauigkeit
aus Shock.model_selection import train_test_split
# Laden Sie die MovieLens-Datenverbindung herunter
knowledge = Dataset.load_builtin(‚ml-100k‘)
# Teilen Sie die Datenverbindung zwischen Eintritt und Prüfung auf
trainset, testset = train_test_split(knowledge, test_size=.25)
# Erstellen Sie ein auf mehreren Ebenen basierendes Empfehlungsmodell
sim_options = {‚title‘: ‚cosine‘, ‚user_based‘: True}
algo = KNNWithMeans(okay=50, sim_options=sim_options)
# Betreten Sie das Modell und realisieren Sie die Vorhersage der Filmbewertungen im Rahmen der Prüfung
algo.match(trainset)
Vorhersagen = algo.take a look at(testset)
# Bewerten Sie die Präzision des Modells unter Verwendung der RMSE-Metrik
Genauigkeit.rmse(Vorhersagen)
„
In diesem Beispiel habe ich ein Empfehlungsmodell erstellt, das auf mehr als 50 Vecinos basiert und eine Ähnlichkeit aufweist, die auf der Entfernung von Coseno basiert. Ich habe mich mit dem Modell beschäftigt, das die Kombination aus Trainingsdaten nutzt, und habe die Vorhersagen der Filmbewertungen in der Testphase verwirklicht. Abschließend habe ich die Präzision des Modells unter Verwendung der RMSE-Metrik bewertet.
Nachdem Sie das Empfehlungsmodell erstellt und bewertet haben, können Sie es nutzen, um personalisierte Empfehlungen für einen bestimmten Benutzer zu realisieren. Zu diesem Zweck können Sie die im Objekt „algo“ verfügbaren Methoden wie „algo.predict(userId, itemId)“ oder „algo.take a look at(userId)“ verwenden.
