一个好的 Python/Django 协同过滤/匹配/推荐库？答案

【问题标题】：A good collaborative filtering/matching/recommendation library for Python/Django?一个好的 Python/Django 协同过滤/匹配/推荐库？
【发布时间】：2012-02-15 11:07:18
【问题描述】：

我正在寻找一个库，可用于根据问题的答案将我的用户与其他 Django 模型匹配——也是我自己的 django 模型。

所以我想要一些可定制的东西，有良好的文档/支持，希望实现起来不会太难！

大家有什么好的推荐吗？我查看了 Crab 和 Django-recommender，但似乎都没有很好的文档记录。

基本上我有两个调查应用程序，有相应但不完全相同的问题和答案。例如。 app1 中的一个问题可能是“你每周喝多少晚？” app2 中的一个问题可能是“您希望每周喝多少晚？”，实例中第一个问题的外键。我想收集对这些问题的回答，并使用它们将每个集合中的用户相互配对，根据第 1 组中的用户已经使用的内容为第 2 组中的用户提供建议。

【问题讨论】：

“根据问题的答案将我的用户与其他 Django 模型匹配”？你能解释一下吗？
您能否更新问题以将所有事实包含在一个易于阅读的位置？
Colleen，发布相关模型以更好地了解它们的结构会很有用。在我的脑海中，我不知道现有的库可以做你想做的事，主要是因为它似乎最终对实现来说太具体了。

标签： python django recommendation-engine matching collaborative-filtering

【解决方案1】：

有一些关于社交媒体与 Python 相结合的好书。

【讨论】：

【解决方案2】：

他们在免费的斯坦福 ML 课程中介绍了这个主题。在http://www.ml-class.org/course/video/preview_list查看第十六章的视频

虽然讨论的实现是 Matlab/Octave，但用 Python 实现应该不难，如果你使用 Numpy 就更容易了

【讨论】：

谢谢！看起来不错！

【解决方案3】：

Abracadabra Recommender API 是一种适用于任何编码语言（包括 Python）的非常灵活的解决方案。

基本上它是一个推荐算法即服务库。设置非常简单：您只需将 HTTP 调用（可以使用 Django 进行）发送到 API 端点 url 即可训练您的模型并接收建议。 View the docs how.

借助 Abracadabra Recommender API，在使用 Python 时，您首先将数据添加到您的模型中：

# These code snippets use an open-source library. http://unirest.io/python
response = unirest.post("https://noodlio-abracadabra-recommender-systems-v1.p.mashape.com/add/subjects?recommenderId=rec1&subjectId=See+docs",
  headers={
    "X-Mashape-Key": "<required>",
    "Accept": "application/json",
    "Content-Type": "application/json"
  }
)

然后您通过评分或喜欢主题（例如电影）来训练模型：

# These code snippets use an open-source library. http://unirest.io/python
response = unirest.post("https://noodlio-abracadabra-recommender-systems-v1.p.mashape.com/rate/subject?recommenderId=rec1&subjectId=gameofthrones&subjectWeight=10&userId=user1",
  headers={
    "X-Mashape-Key": "<required>",
    "Accept": "application/json",
    "Content-Type": "application/json"
  }
)

完成后，您会收到基于基于内容、协作或混合过滤的建议，如下所示：

# These code snippets use an open-source library. http://unirest.io/python
response = unirest.post("https://noodlio-abracadabra-recommender-systems-v1.p.mashape.com/recommend?method=content&recommenderId=rec1&userId=user1",
  headers={
    "X-Mashape-Key": "<required>",
    "Accept": "application/json",
    "Content-Type": "application/json"
  }
)

您可以查看更多其他语言的示例，包括Angular、React、Javascript、NodeJS、Curl、Java、Python、Objective-C、Ruby、@ 987654337@... 在API homepage.

【讨论】：