lenskit （开源推荐系统） 简介

一个基于java的开源推荐系统，由明尼苏达大学的 GroupLens Research 研究小组出品。

官网地址： http://lenskit.org/

官方github地址： https://github.com/lenskit/lenskit

我的demo地址，csdn code：https://code.csdn.net/chuchus/lenskitdemo/tree/master

1.数据读入

1.1 评分矩阵

org.lenskit.data.dao.EventDAO
代表评分矩阵的接口。
EventDAO dao = TextEventDAO.create(inputFile, Formats.movieLensLatest());

 

项目自带有 ratings.csv，为约700个用户对约9000部电影的评分，见图1-1.

图1-1 ratings.csv

它有100，000 行数据。评分信息可由json描述： {"domain" : {"minimum" : 0.5, "maximum" : 5.0,"precision" : 0.5}}。

 

1.2 物品信息

org.lenskit.data.dao.ItemNameDAO
接口，存储itemId到物品信息的映射。实现类有org.lenskit.data.dao.MapItemNameDAO。
MapItemNameDAO org.lenskit.data.dao.MapItemNameDAO.fromCSVFile(File file)
静态方法，从csv文件中生成。注意文件的第一行不能有列名。
String org.lenskit.data.dao.ItemNameDAO.getItemName(long item)
根据itemId得到物品名。

 

项目自带有movies.csv，见图1-2。

图1-2 movies.csv 文件

有约9000部电影。我搜了一个最爱的《Highschool Musical》，三部真的都在里面。

2.指定算法

org.lenskit.LenskitConfiguration
用于配置推荐算法。多用bing()...to()...的形式。

LenskitBinding org.grouplens.lenskit.core.LenskitConfiguration.bind(Class type)
与下面的to()方法连用，用于绑定接口的实现类。
void org.grouplens.grapht.Binding.to(@Nonnull Class impl)
与上面的bind()方法连用，用于绑定接口的实现类。
void org.grouplens.grapht.Binding.to(@Nullable T instance)
可以直接绑定到实例。
LenskitBinding org.grouplens.lenskit.inject.AbstractConfigContext.bind(Class qual, Class type)
对一个限定的类型进行绑定。

3.计算

org.lenskit.LenskitRecommenderEngine
推荐引擎。
LenskitRecommenderEngine org.lenskit.LenskitRecommenderEngine.build(LenskitConfiguration config) 
根据LenskitConfiguration生成引擎。

4.推荐

org.lenskit.LenskitRecommender
推荐系统。
LenskitRecommender org.lenskit.LenskitRecommenderEngine.createRecommender()
由推荐引擎得到推荐系统。

org.lenskit.api.ItemRecommender
物品推荐系统的接口。

ItemRecommender org.lenskit.LenskitRecommender.getItemRecommender()
由推荐系统得到物品推荐系统。

List org.lenskit.api.ItemRecommender.recommend(long user, int n, @Nullable Set candidates, @Nullable Set exclude)
指定userId与n个推荐位，得到推荐结果。candidates参数限定从它里面推荐，否则考虑所有的item。exclude参数限定推荐结果不能包含它里面的物品。
org.grouplens.lenskit.scored.ScoredId
推荐结果的接口。包括itemId与score等。

5.检验

lenskit自带了推荐效果检验的代码，且功能强大。

5.1 数据分拆

相关代码在“org.grouplens.lenskit.eval.data.crossfold”包下。

5.2 检验中的计算

相关代码在“org.grouplens.lenskit.eval.traintest”包下。