Crab，一款python上优秀的推荐系统引擎
今天，逛网页发现了一款推荐系统的引擎——crab。它是python的一个开源包，整个推荐系统的构架已经写好，其中的推荐算法可以自己定义，在此构架上进行推荐算法的研究可以提高效率。1、crab的安装（1）在安装之前，需要一些python包和其他一些，这些是numpy, scipy, setuptools,scikits.learn, python development headers，
·
今天，逛网页发现了一款推荐系统的引擎——crab。它是python的一个开源包，整个推荐系统的构架已经写好，其中的推荐算法可以自己定义，在此构架上进行推荐算法的研究可以提高效率。
1、crab的安装
（1）在安装之前，需要一些python包和其他一些，这些是numpy, scipy, setuptools,scikits.learn, python development headers，a working C++compiler。我们通过命令获得：
sudo apt-get install python-dev python-numpy python-numpy-devpython-setuptools python-numpy-dev python-scipy libatlas-devg++
为了获得最新的版本可以执行一下：
pip install -U scikits.learn
or
easy_install -U scikits.learn
为了包内的示例数据集可以顺利运行，我们可以执行一下：
sudo apt-get install python-matplotlib
（2）安装crab
可以通过pip来安装：
pip install -U crab
or:
easy_install -U crab
这种安装最为快速。
当然也可以通过下载源代码来进行安装：
下载地址：https://github.com/muricoca/crab/downloads
先解压，再cd到目录，执行：
python setup.py install
安装OK
2、使用
（1）使用帮助
在终端中执行：
python
help("scikits.crab")
可以获得帮助
可以看到这个包有一下借个目录：
base、datasets、metrics、models、recommenders、similarities、tests、utils
datasets中放了一个电影的示例数据集和一个歌曲的示例数据集
models中包含了几种数据模型
recommenders下是需要我们自己重写的算法，包括knn和svd
similarities是相似度
（2）来一个实例
这个例子是官方的
http://muricoca.github.io/crab/tutorial.html
先从数据集中读取数据
>>> from scikits.crab import datasets
>>> movies = datasets.load_sample_movies()
>>> songs = datasets.load_sample_songs()
我们可以打印出数据集的内容，注意看它们的格式
>>> print movies.data
可以将用户单独打印出来
>>> print movies.user_ids
{1: 'Jack Matthews',
也可以将物品单独打印出来
>>> print movies.item_ids
{1: 'Lady in the Water',
引入模型包，将数据集中数据定义成特定的模型
>>> from scikits.crab.models importMatrixPreferenceDataMode
>>> #Build the model
>>> model = MatrixPreferenceDataMode
引入矩阵包和相似度包，计算相似度
>>> from scikits.crab.metrics importpearson_correlation
>>> from scikits.crab.similarities importUserSimilarity
>>> #Build the similarity
>>> similarity = UserSimilarity(model,pearson_correlation)
引入算法包，这里引入的是基于用户的协同过滤算法，当然这个算法要自己重写
>>> from crab.recommenders.knn importUserBasedRecommender
>>> #Build the User based recommender
>>> recommender = UserBasedRecommender(model, similarity,with_preference=True)
这里是为用户5推荐商品，从结构可以看出系统为用户5推荐了3种相似度最高的物品，
>>> #Recommend items for the user 5 (Toby)
>>> recommender.recommend(5)
[(5, 3.3477895267131013), (1, 2.8572508984333034), (6,2.4473604699719846)]
以下为这个推荐系统引擎的构架：
1、crab的安装
（1）在安装之前，需要一些python包和其他一些，这些是numpy, scipy, setuptools,scikits.learn, python development headers，a working C++compiler。我们通过命令获得：
sudo apt-get install python-dev python-numpy python-numpy-devpython-setuptools python-numpy-dev python-scipy libatlas-devg++
为了获得最新的版本可以执行一下：
pip install -U scikits.learn
or
easy_install -U scikits.learn
为了包内的示例数据集可以顺利运行，我们可以执行一下：
sudo apt-get install python-matplotlib
（2）安装crab
可以通过pip来安装：
pip install -U crab
or:
easy_install -U crab
这种安装最为快速。
当然也可以通过下载源代码来进行安装：
下载地址：https://github.com/muricoca/crab/downloads
先解压，再cd到目录，执行：
python setup.py install
安装OK
2、使用
（1）使用帮助
在终端中执行：
python
help("scikits.crab")
可以获得帮助
可以看到这个包有一下借个目录：
base、datasets、metrics、models、recommenders、similarities、tests、utils
datasets中放了一个电影的示例数据集和一个歌曲的示例数据集
models中包含了几种数据模型
recommenders下是需要我们自己重写的算法，包括knn和svd
similarities是相似度
（2）来一个实例
这个例子是官方的
http://muricoca.github.io/crab/tutorial.html
先从数据集中读取数据
>>> from scikits.crab import datasets
>>> movies = datasets.load_sample_movies()
>>> songs = datasets.load_sample_songs()
我们可以打印出数据集的内容，注意看它们的格式
>>> print movies.data
可以将用户单独打印出来
>>> print movies.user_ids
{1: 'Jack Matthews',
也可以将物品单独打印出来
>>> print movies.item_ids
{1: 'Lady in the Water',
引入模型包，将数据集中数据定义成特定的模型
>>> from scikits.crab.models importMatrixPreferenceDataMode
>>> #Build the model
>>> model = MatrixPreferenceDataMode
引入矩阵包和相似度包，计算相似度
>>> from scikits.crab.metrics importpearson_correlation
>>> from scikits.crab.similarities importUserSimilarity
>>> #Build the similarity
>>> similarity = UserSimilarity(model,pearson_correlation)
引入算法包，这里引入的是基于用户的协同过滤算法，当然这个算法要自己重写
>>> from crab.recommenders.knn importUserBasedRecommender
>>> #Build the User based recommender
>>> recommender = UserBasedRecommender(model, similarity,with_preference=True)
这里是为用户5推荐商品，从结构可以看出系统为用户5推荐了3种相似度最高的物品，
>>> #Recommend items for the user 5 (Toby)
>>> recommender.recommend(5)
[(5, 3.3477895267131013), (1, 2.8572508984333034), (6,2.4473604699719846)]
以下为这个推荐系统引擎的构架：
瓜分20万奖金 获得内推名额 丰厚实物奖励 易参与易上手
更多推荐
1
0- 0
已为社区贡献1条内容
所有评论(0)