<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/f8abf75c-abba-40c1-9db2-ea3876b2cb40.svg" align="right" height="139" /> R软件包recommenderlab - 开发和测试推荐算法的实验室

简介

提供研究基础设施以开发和评估协同过滤推荐算法。这包括用户-项目矩阵的稀疏表示、多种流行算法、Top-N推荐和交叉验证。该软件包支持评分（如1-5星）和二元（0-1）数据集。

以下R软件包使用了recommenderlab： cmfrec、 crassmat、 recometrics、 recommenderlabBX、 recommenderlabJester、 RMOA

使用本软件包时请引用：

Hahsler M (2022). "recommenderlab: An R Framework for Developing and Testing Recommendation Algorithms." arXiv:2205.12371 [cs.IR]. doi:10.48550/ARXIV.2205.12371 https://doi.org/10.48550/ARXIV.2205.12371。

@Misc{,
  title = {recommenderlab: An R Framework for Developing and Testing Recommendation Algorithms},
  author = {Michael Hahsler},
  year = {2022},
  doi = {10.48550/ARXIV.2205.12371},
  howpublished = {arXiv:2205.12371 [cs.IR]},
  month = {May},
}

支持的算法

安装

稳定CRAN版本： 在R中使用以下命令安装

install.packages("recommenderlab")

当前开发版本： 从r-universe安装。

install.packages("recommenderlab", repos = "https://mhahsler.r-universe.dev")

使用方法

加载软件包并准备数据集（包含在软件包中）。MovieLense数据包含用户对电影的1到5星评分。我们这里只使用评分超过100条的用户。

set.seed(1234)

library("recommenderlab")
data("MovieLense")

MovieLense100 <- MovieLense[rowCounts(MovieLense) > 100, ]
MovieLense100

## 358 x 1664 rating matrix of class 'realRatingMatrix' with 73610 ratings.

使用小型训练集训练基于用户的协同过滤推荐器。

train <- MovieLense100[1:300]
rec <- Recommender(train, method = "UBCF")
rec

'realRatingMatrix'类型的'UBCF'推荐器

使用300名用户学习。

为新用户（用户301和302）创建top-N推荐。

pre <- predict(rec, MovieLense100[301:302], n = 5)
pre

## 为2个用户生成的n = 5的'topNList'推荐。

as(pre, "list")

## $`0`
## [1] "勇者无惧 (1997)"                    "爱经：爱的故事 (1996)"
## [3] "霸王别姬 (1993)"      "室友 (1995)"                 
## [5] "新鲜 (1994)"                     
## 
## $`1`
## [1] "苦月亮 (1992)"         "邪恶之触 (1958)"      
## [3] "活死人黎明 (1992)"           "大独裁者 (1940)"
## [5] "M就是凶手 (1931)"

使用10折交叉验证方案比较几种算法的top-N列表。4星或更高评分的电影被视为好的推荐。我们绘制不同长度的top-N列表的真阴性率和真阳性率。

scheme <- evaluationScheme(MovieLense100, method = "cross-validation", k = 10, given = -5,
    goodRating = 4)
scheme

## 使用除5项外的所有项目的评估方案
## 方法：'交叉验证'，10次运行。
## 好评：>=4.000000
## 数据集：358 x 1664 评分矩阵，'realRatingMatrix'类，包含73610个评分。

algorithms <- list(`随机项目` = list(name = "RANDOM", param = NULL), `热门项目` = list(name = "POPULAR",
    param = NULL), `基于用户的协同过滤` = list(name = "UBCF", param = list(nn = 3)), `基于项目的协同过滤` = list(name = "IBCF",
    param = list(k = 100)))

results <- evaluate(scheme, algorithms, type = "topNList", n = c(1, 3, 5, 10), progress = FALSE)

plot(results, annotate = 2, legend = "topleft")

Shiny应用

一个运行recommenderlab的简单Shiny应用可以在https://mhahsler-apps.shinyapps.io/Jester/找到（[源代码](https://github.com/mhahsler/recommenderlab/tree/master/Work/apps)）。

参考文献

Michael Hahsler (2022) recommenderlab：用于开发和测试推荐算法的R框架。arXiv:2205.12371 [cs.IR]。DOI：10.48550/arXiv.2205.12371。
recommenderlab参考手册
Suresh K. Gorakala和Michele Usuelli (2015) 使用R构建推荐系统（Packt出版社）介绍了recommenderlab包。