使用 LightFM 和打印预测创建稀疏矩阵

Creating a sparse matrix with LightFM and print predictions

我目前正在使用一个名为 LightFM 的 Python 库。但是我在将交互传递给 fit() 方法时遇到了一些问题。

Python 版本:3 图书馆:http://lyst.github.io/lightfm/docs/lightfm.html

文档指出我应该制作以下类型的稀疏矩阵:interactions(np.float32 coo_matrix 形状 [n_users, n_items] ) – 矩阵

但我似乎无法让它工作它总是推荐相同的...

已更新:当执行它时,top_items 变量会说以下内容,无论它迭代哪个用户而不是任何其他项目(牛肉或沙拉),所以好像我做错了什么。它输出: ['Cake' 'Cheese'] 每次

这是我的代码:

    import numpy as np
from lightfm.datasets import fetch_movielens
from lightfm import LightFM
from scipy.sparse import coo_matrix
import scipy.sparse as sparse
import scipy

// Users, items
data = [
    [1, 0], 
    [2, 1], 
    [3, 2],
    [4, 3]
]

items = np.array(["Cake", "Cheese", "Beef", "Salad"])

data = coo_matrix(data)

#create model
model = LightFM(loss='warp')
#train model
model.fit(data, epochs=30, num_threads=2)

// Print training data
print(data)

def sample_recommendation(model, data, user_ids):

    #number of users and movies in training data
    n_users, n_items = data.shape

    #generate recommendations for each user we input
    for user_id in user_ids:

        #movies our model predicts they will like
        scores = model.predict(user_id, np.arange(n_items))

        #rank them in order of most liked to least
        top_items = items[np.argsort(-scores)]

        print(top_items)

sample_recommendation(model, data, [1,2])
 data = coo_matrix(data)

可能不是您想要的;它是 data 的精确复制品。不是特别稀疏。

data代表什么?

我猜你真的想要一个在 data.

表示的坐标处主要包含 0 和 1 的矩阵
In [20]: data = [
    ...:     [1, 0], 
    ...:     [2, 1], 
    ...:     [3, 2],
    ...:     [4, 3]
    ...: ]

可能不是你想要的:

In [21]: ds = sparse.coo_matrix(data)
In [22]: ds.A
Out[22]: 
array([[1, 0],
       [2, 1],
       [3, 2],
       [4, 3]])

再试一次:

In [23]: data=np.array(data)
In [24]: ds=sparse.coo_matrix((np.ones(4,int),(data[:,0],data[:,1])))
In [25]: ds
Out[25]: 
<5x4 sparse matrix of type '<class 'numpy.int32'>'
    with 4 stored elements in COOrdinate format>
In [26]: ds.A
Out[26]: 
array([[0, 0, 0, 0],
       [1, 0, 0, 0],
       [0, 1, 0, 0],
       [0, 0, 1, 0],
       [0, 0, 0, 1]])

这是学习功能中更典型的内容。