lcrs

作者	刘臣
E-mail	[email protected], [email protected]

---

综述

lcrs是用纯Java语言开发的推荐系统库。lcrs借鉴了Python Surprise库的设计思路，并对其进行了大量拓展。设计lcrs的主要目的有如下几点：
  1.掌握推荐系统中经典的算法模型。lcrs实现了推荐系统中大部分的经典算法模型，每一个算法都是按照经典的论文（已在resource目录下整理好）进行实现的，这对深入理解算法的原理及其优劣很有好处。
  2.提高工程设计水平。为了方便使用，必须从整体上将lcrs架构好，这对提高工程设计水平很有帮助。

目前lcrs的主要功能模块如下：
  1.数据集模块。此模块为用户提供了丰富的数据集加载、管理方式，常用的有加载内置数据集、从本地文件系统中加载数据集等方式。此模块的详细信息请看这里。
  2.预测算法模块。此模块为用户提供了大量的评分预测算法，常见的有UserCF、ItemCF、LFM等。此模块的详细信息请看这里。
  3.模型评价模块。此模块为用户提供了几种评价模型的方法。常见的评价指标有rmse、mae等。此模块的详细信息请看这里。
  4.模型选择模块。此模块为用户提供了基于交叉验证思想的模型选择方法。常见的交叉验证有K折-交叉验证、留一法等。此模的详细信息请看这里。

入门示例

这是一个很简单的示例，该示例加载内置数据集ml-100k，并使用5-折交叉验证对LFM算法进行rmse、mae测评。

Dataset data = LoadDataset.load_builtin("ml-100k");
AlgoBase algo = new LFM(3, 300, true, "sgd", 0.1, 0.02);   
String[] measures = {"mae","rmse"};
FoldBase fold = new KFold(5, 2);
CrossValidation.cross_validate(algo, data, measures, fold);

输出：

测评指标：     mae   rmse   
第1折结果：    0.7249    0.9205    
第2折结果：    0.7247    0.9205    
第3折结果：    0.7248    0.9240    
第4折结果：    0.7236    0.9205    
第5折结果：    0.7285    0.9254    
平均值：       0.7253    0.9222