推荐系统Surprise库内置推荐算法

在推荐系统的建模过程中，我们将用到python库 Surprise(Simple Python RecommendatIon System Engine)，是scikit系列中的一个。

简单易用，同时支持多种推荐算法：

• 基础算法/baseline algorithms
• 基于近邻方法(协同过滤)/neighborhood methods
• 矩阵分解方法/matrix factorization-based (SVD, PMF, SVD++, NMF)

算法类名	说明
1：random_pred.NormalPredictor	算法假设训练集服从随机正态分布，随机预测评分
2：baseline_only.BaselineOnly	预测给定user和Item的baseline估计
3：knns.KNNBasic	基础的协同过滤算法
4：knns.KNNWithMeans	考虑了每个用户的打分均值的协同过滤算法
5：knns.KNNBaseline	考虑了基础评分的协同过滤算法
6：matrix_factorization.SVD	着名的SVD算法
7：matrix_factorization.SVDpp	考虑隐含因素的SVD++ 算法
8：matrix_factorization.NMF	基于非负矩阵分解的协同过滤算法
9：slope_one.SlopeOne	一个简单但精确的协作过滤算法。
10：co_clustering.CoClustering	一种基于协同聚类的协同过滤算法。

1：random_pred.NormalPredictor

假设训练数据符合正态分布（高斯分布），那么预测值r^ui通过随机分布产生，随机分布 N(μ^,σ^2) 期望和方差可以通过最大似然估计从数据集中求得

2：baseline_only.BaselineOnly

期望值加用user偏差和item偏差，如果user或者item是未知的，那么偏差将设置为0

3：knns.KNNBasic

基础协同过滤算法，可以是基于用户的和基于item的，r(vi)是另一个用于v对于item的评分，r（uj）是user对另一个物品就j

的评分。

4：knns.KNNWithMeans

考虑了每个用户打分均值或者每个item打分的均值，去除参考用户打分整体偏高和偏低的影响

5：knns.KNNBaseline

从参考评分里减去偏差

6：matrix_factorization.SVD点击打开链接

预测函数定义为：未知的值设为0，求解时用梯度下降法求最小的平方误差，

7：matrix_factorization.SVDpp   讲的很清楚点击打开链接

这里的I(u)表示用户u行为记录（包括浏览的和评过分的商品集合），Yj是item属性

8：matrix_factorization.NMF

类似于SVD，预测函数被定义为，梯度下降过程保证矩阵的取值为正数，SGD更新如下：

作者表明该算法非常依赖初始化的值，如果设置biased=Ture,那么预测函数为：如果引入biased，容易过拟合，所以要尽量减少隐含因素数量或者增加正则化。

9：slope_one.SlopeOne

dev（i，j）是计算item之间的区别，j是那些u评价过的物品，然后根据那些对i，j同时做出评价的用户，求出大家对i，j评价的差值，认为u和那些同时评价i，j的用户对i，j的评价偏好一样。

10：co_clustering.CoClustering

预测函数：其中，C（ui）取均值是聚类ui的均值，同理C（u）和C(j),如果有未知的量，例如u，i，那么预测值取期望。