https://github.com/foggysmile/recsys

RecSys
https://github.com/foggysmile/recsys

collaborative-filtering cornac item-based-recommendation matrix-factorization recsys surprise svd user-based-recommendation

Last synced: 1 day ago
JSON representation

RecSys

• Host: GitHub
• URL: https://github.com/foggysmile/recsys
• Owner: FoggySmile
• Created: 2024-10-24T18:35:02.000Z (15 days ago)
• Default Branch: main
• Last Pushed: 2024-10-24T18:41:41.000Z (15 days ago)
• Last Synced: 2024-10-26T04:15:55.825Z (14 days ago)
• Topics: collaborative-filtering, cornac, item-based-recommendation, matrix-factorization, recsys, surprise, svd, user-based-recommendation
• Language: Jupyter Notebook
• Homepage:
• Size: 199 KB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

        
### RecSys

Идея проекта состоит в том, чтобы реализовать метрики новизны

и разнообразия, и сделать полное сравнение ранее реализованных подходов (коллаборативная фильтрация, матричная факторизация, нейросетевые методы) по

всем метрикам (RMSE, NDCG, MAP, diversity, novelty). Также рассмотреть уже готовые реализации алгоритмов рек.

систем в существующих библиотеках.

Задание:

1. Скачать набор данных о рейтингах кинофильмов по ссылке

https://grouplens.org/datasets/movielens/ (файл ml-latest-small.zip).

1. Разделить данные на тренировочный и тестовый наборы данных с

учетом времени в соотношении 70/30.

1. Реализовать метрики новизны и разнообразия.

2. Установить библиотеки Surprise и Cornac.

3. Сравнить реализации матричной факторизации из библиотеки Surprise

со своим реализованным подходом по метрикам рек. систем (включая новизну

и разнообразие).

1. Взять любой нейросетевой метод из библиотеки Cornac и сравнить со

всем ранее реализованными подходами по метрикам рек. систем (включая

новизну и разнообразие).

1. Заполнить таблицу по всем результатам лабораторных работ.

Выполненный проект находится в папке src.