Una buona libreria collaborativa di filtro/corrispondenza/raccomandazione per Python/Django?

Question

Sto cercando una libreria che possa essere utilizzata per abbinare i miei utenti ad altri modelli di Django basati sulle risposte alle domande-- anche sul mio modello di Django.

Quindi mi piacerebbe qualcosa di personalizzabile, con una buona documentazione/supporto, e speriamo non sia troppo difficile da implementare!

Qualcuno ha qualche buon consiglio? Ho dato un'occhiata a Crab e Django-recommender, ma nessuno dei due sembra essere molto ben documentato.

fondamentalmente quello che ho sono due domande di indagine, con domande e risposte corrispondenti, ma non identiche. Per esempio. una domanda in app1 potrebbe essere "quante notti alla settimana bevi?" e una domanda in app2 potrebbe essere "quante notti alla settimana ti aspetti di bere?", con una chiave straniera alla prima domanda nell'istanza. Desidero rispondere a queste domande e utilizzarle per associare gli utenti di ciascun set tra loro, per fornire agli utenti le raccomandazioni del gruppo 2 in base a ciò che gli utenti del gruppo 1 già utilizzano.

Answer 1

hanno coperto questo argomento nella classe libera Stanford ML. Controllare i video per capitolo XVI http://www.ml-class.org/course/video/preview_list

Anche se l'attuazione discusso è Matlab/ottava dovrebbe essere difficile da implementare in Python, ancora più facile se si utilizza Numpy

Answer 2

Ci sono alcuni buoni libri sul tema dei social media combinati con Python.

• http://shop.oreilly.com/product/0636920010203.do
• http://shop.oreilly.com/product/0636920020424.do

Answer 3

una soluzione molto flessibile che funziona in qualsiasi codifica il linguaggio (incluso Python) è lo Abracadabra Recommender API.

Fondamentalmente è una libreria Recommender Algorithms as a Service. La configurazione è molto semplice: devi solo inviare chiamate HTTP (che puoi fare con Django) all'URL endpoint dell'API per addestrare il tuo modello e ricevere consigli. View the docs how.

Con l'API Abracadabra Recommender, quando si utilizza Python, è necessario innanzitutto aggiungere i dati al modello:

# 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" 
    } 
) 

Poi ci si allena il modello di rating o simpatia soggetti (per i film di istanza):

# 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" 
    } 
) 

Una volta terminato, si ricevono raccomandazioni basate sul filtro basato sui contenuti, sulla collaborazione o ibrido come segue:

# 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" 
    } 
) 

È possibile visualizzare altro esempio in altre lingue, tra cui Angular, React, Javascript, NodeJS, Curl, Java, Python, Objective-C, Ruby, .NET ... sul API homepage.