go推荐系统项目介绍

近期想使用推荐系统实现一些功能，由于不懂Java，担心Python的性能不够，因此就关注了go语言实现的开源项目。推荐系统中的协同过滤算法原理协同过滤的原理很简单，就是根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性， 或者是发现用户的相关性,然后再基于这些关联性进行推荐这里主要实现了基于用户和基于项目的协同过滤两种推荐算法1基于用户的协同推荐（User based Collaborative Filtering Recommendation）基于用户协同推荐的原理是，根据所有用户对物品或者信息的偏好，发现当前用户口味和偏好相似的“邻居”用户群， 基于邻居的偏好信息，对用户进行推荐举例, 假设有以下关系A –> a,c 表示用户A喜欢物品a和cB –> bC –> a,c,d可以发现用户A和C的口味偏好相似（他们是邻居），同时C喜欢物品d，那么我们可以推断 用户A也可能喜欢物品dItem based Collaborative Filtering Recommendation基于项目的协同推荐基于项目的协同推荐的原理是，它使用所有用户对物品或者信息的偏好，发现物品和物品之间的相似度， 然后根据用户的历史偏好信息，将类似的物品推荐给用户举例，假设有以下关系A –> a,cB –> a,b,cC –> a根据基于项目的协同过滤原理，可以发现物品a和物品c相似，用户C喜欢a物品，那么可以把c物品推荐给他在github上搜索，发现项目较少，较为完善的是gorse项目gorse: Go Recommender System Enginegorse使用go语言实现推荐系统，提供以下模块方便构建推荐系统：数据：支持从文件加载（提供内置部分数据可用于测试）分离器：支持K-fold、比率、保留方式分离数据集模型：推荐模型基于协同过滤算法，包括矩阵分解、基于临接的方法、Slope One、Co-Clustering2评估：可使用RMSE、MAE来评分，包括准确率、召回率、 归一化折损累积增益NDCG、平均准确率MAP、 MRR、AUC.参数搜寻：使用网格或随机方式寻找最佳超参持久化：保存模型或加载模型SIMD（可选）：理论上在对矢量采用AVX2指令，可以获得比单指令快4倍的速度项目地址：github.com/zhenghaoz/gorse推荐项亮著的推荐系统实践 ↩实现推荐系统引擎(一)：评分预测 ↩