LibRec（http://www.librec.net）是一个领先的推荐系统开源算法库，它覆盖了70余个各类型的推荐算法，有效地解决了评分预测和物品推荐两大关键的推荐问题。该项目结构清晰、代码风格良好、测试充分、注释与手册完善，基于GPL3.0协议代码开源。GitHub链接为 https://github.com/guoguibing/librec
近年来，推荐系统取得了快速发展，数以百计的新算法、新模型不断涌现。然而，这不但给刚刚接触推荐算法的新人造成无所适从，而且也给那些有经验的人士带来不少困扰。不同的人对算法的理解可能大相径庭，更不用说是具体的实现了。因此，为了解决算法实现和共享的问题，LibRec团队设计实现了基于Java的跨平台推荐框架，并以GPL-3.0协议在GitHub上开源共享。
经过几年的发展，团队成员上千次的代码提交，最新的版本代码是2.0。到目前为止，LibRec包含了矩阵分解、概率图模型等多种类型的70余个推荐算法，10个相似度度量方法，4个rating评估指标与10个ranking评估指标，5大类数据的分割方式以及2种不同格式的数据读取，满足绝大部分推荐系统的需求。因此，LibRec具有算法丰富、易于扩展、简单易用等突出特点。
LibRec项目的系统结构如图所示。其中，Data Structure包括常用的数据结构，如SparseMatrix、SparseVector等；Data Model主要负责数据的读取、分割、导入其他数据如社交关系等；Recommender主要负责模型的训练(Inference)，预测(Prediction)，相似度衡量(Similarity)，以及模型的持久化(Persistence)；最终结果可以进行评估，或者过滤之后输出到文件。总体来说，LibRec项目拥有良好的结构，不同模块之间耦合度非常低，针对某个模块的开发通常无需关心其他模块的实现。以实现新的分割方式为例，用户只需继承Splitter接口抽象类，根据相应的逻辑重写splitData()方法即可。
基于LibRec来运行推荐算法就如同搭积木一样简单，其工作流程如上图所示。首先设置好相关参数配置，然后实例化数据并测试分割，调用推荐算法训练学习，最后对推荐结果进行过滤和评估。示例程序如下所示：
publicstatic void main(String[] args) throws Exception{
// build data model
Configuration conf = new Configuration();
conf.set("dfs.data.dir", "path/to/data/folder/");
Randoms.seed(1);
TextDataModel dataModel = new TextDataModel(conf);
dataModel.buildDataModel();
// build recommendercontext
RecommenderContextcontext = new RecommenderContext(conf, dataModel);
// build similarity
conf.set("rec.recommender.similarity.key","item");
RecommenderSimilarity similarity = new PCCSimilarity();
similarity.buildSimilarityMatrix(dataModel);
context.setSimilarity(similarity);
// build recommender
conf.set("rec.neighbors.knn.number", "5");
Recommender recommender = new ItemKNNRecommender();
recommender.setContext(context);
// run recommenderalgorithm
recommender.recommend(context);
// evaluate therecommended result
RecommenderEvaluatorevaluator = new RMSEEvaluator();
System.out.println("RMSE:"+ recommender.evaluate(evaluator));
}
这段示例程序调用了ItemKNN算法，采用RMSE对结果进行评估。用户也可以根据实际应用，采用其他算法与评估器来进行推荐计算。LibRec的参数配置是在配置文件中设定的，主要分为两部分。一部分是流程控制参数（默认加载），与推荐算法无关；另一部分是与推荐算法相关的参数。LibRec项目仍在快速开发中，未来会继续增强核心模块的功能，添加与深度学习相关的算法实现，并扩展至Spark等平台。
欢迎关注公众号【LibRec】，获取LibRec和推荐系统相关的研究进展。公众号会定期推送最新的开发进展，近期还推出了“每周算法”栏目，解读推荐领域比较重要的研究工作和技术发展，广受读者朋友们的喜爱。也欢迎大家多多贡献代码算法，提交pullRequest。LibRec的发展离不开大家的关注和支持，也希望聚合众人的力量在推荐系统领域创建合作共享、协同创新的开源氛围，推动推荐算法的进一步实际应用和推广。
相关链接：
Librec 通识篇：https://mp.weixin.qq.com/s/AB39ihVWXYHRbeODbGO-2g
LibRec工程导入：https://mp.weixin.qq.com/s/OyYn5_4GYAbF0L0SFgsHVQ
LibRec命令行操作：https://mp.weixin.qq.com/s/xnkg6BGyUUKmbs009p8XCw
Librec 团队一周年纪：https://mp.weixin.qq.com/s/vDnca1FMW9vVrFDgti_1IA
了解更多，请关注Librec微信公众号：
★ 猜你喜欢：「推荐系统老司机的十条经验」
