简介

LensKit是一个开源的推荐系统工具包，它提供了一组算法和工具来构建和评估推荐系统。LensKit支持基于物品的协同过滤、基于用户的协同过滤、基于模型的推荐和混合推荐等多种推荐算法。

LensKit的主要特点是：

1. 灵活性：LensKit支持多种推荐算法，用户可以根据自己的需求选择合适的算法。
2. 易用性：LensKit提供了简单易用的API和命令行工具，用户可以方便地构建和评估推荐系统。
3. 可扩展性：LensKit采用模块化的设计，用户可以自定义算法和评估指标。
4. 高性能：LensKit采用并行计算和内存映射等技术，能够高效地处理大规模数据集。

LensKit已经被广泛应用于学术界和工业界，例如在Netflix Prize竞赛中就有参赛选手使用了LensKit构建推荐系统。

官网地址： https://lenskit.org/

目前 LensKit已经弃用java代码，改为python实现。想看java教程的清查看https://java.lenskit.org/

文档网址：https://mooc.lenskit.org/

GroupLens网址 ：组镜头 (grouplens.org)

开始

从Maven中央存储库获取LensKit。

<dependency>
  <groupId>org.grouplens.lenskit</groupId>
  <artifactId>lenskit-all</artifactId>
  <version>3.0-M2</version>
</dependency>

LensKit 3.0-M2是LensKit的一个版本，它是LensKit 3.0版本的第二个里程碑版本。以下是一些LensKit 3.0-M2的新特性和改进：

1. 改进了基于模型的推荐算法：LensKit 3.0-M2新增了一些基于模型的推荐算法，包括主题模型、隐式反馈模型和矩阵分解等。这些算法可以提高推荐系统的准确性和效率。
2. 改进了基于物品的协同过滤算法：LensKit 3.0-M2对基于物品的协同过滤算法进行了优化，提高了推荐系统的准确性和效率。
3. 改进了评估指标：LensKit 3.0-M2新增了一些评估指标，包括覆盖率、多样性和新颖性等，可以更全面地评估推荐系统的性能。
4. 改进了API和文档：LensKit 3.0-M2改进了API和文档，使得用户可以更方便地使用LensKit构建和评估推荐系统。

配置推荐器

方式一：

为了使用LensKit，您首先需要配置要使用的LensKit算法。这主要包括选择所需的组建实现并使用

LenskitConfiguration配置它们。例如，要使用基线配置基本项目-项目 kNN 推荐器，请使用以下配置（将其保存在文件中，例如item-item.groovy)

// Use item-item CF to score items
bind ItemScorer to ItemItemScorer
// let's use personalized mean rating as the baseline/fallback predictor.
// 2-step process:
// First, use the user-item bias to compute item scores
bind (BaselineScorer, ItemScorer) to BiasItemScorer
// Second, use user-item biases
bind BiasModel to LiveUserItemBiasModel
// and normalize ratings by baseline prior to computing similarities
bind (UserVectorNormalizer) to BiasUserVectorNormalizer
// little speed tweek
within (UserVectorNormalizer) {
    bind Biasmodel to UserItemBiasModel
}

然后，您可以在 Java 程序中加载该配置：

LenskitConfiguration config = ConfigHelpers.load(new File("item-item.groovy"))

方式二：

使用java代码配置LenskitConfiguration，代码如下

// 配置Lenskit
LenskitConfiguration config = new LenskitConfiguration();
config.bind(ItemScorer.class).to(ItemItemScorer.class);
config.set(MinNeighbors.class).to(2);
config.set(ModelSize.class).to(1000);
config.bind(BaselineScorer.class,ItemScorer.class).to(UserMeanItemScorer.class);
config.bind(UserMeanBaseline.class,ItemScorer.class).to(ItemMeanRatingItemScorer.class);
config.bind(UserVectorNormalizer.class).to(BaselineSubtractingUserVectorNormalizer.class);

个人建议，尽量使用方式一，可以更好的讲算法配置和项目分离，使得项目更加灵活。

连接数据源

LensKit还需要数据源。我们可以使用其中一个MovieLens数据集。从那里下载最新-小（或最新）文件。您还需要一个数据清单来告诉 LensKit 如何使用它;下载这个并将其保存在MovieLens数据目录下.csv文件里。

然后，您可以加载数据源：

StaticDataSource source = StaticDataSource.load("ml-latest-small/movielens.yml");
DataAccessObject dao = data.get();

创建推荐器

然后，您需要创建一个推荐器才能实际推荐：

LenskitRecommender rec = LenskitRecommender.build(config, dao);

当您完成一个LenskitRecommender时，请使用rec.close()进行关闭。使用try-with-resources块可以很好地实现这一点。

try (LenskitRecommender rec = LenskitRecommender.build(config)) {
    rec.close();
    /* do things */
}

生成建议

推荐器对象提供对组件的访问，例如可以执行实际建议。例如，要为用户 1 生成 10条建议：ItemRecommender

ItemRecommender irec = rec.getItemRecommender();
ResultList recs = irec.recommendWithDetails(1, 10, null, null);

由于我们在配置LensKit时没有配置ItemRecommender，因此它使用默认设置：TopNItemRecommender，该推荐器使用配置的ItemScorer对项目进行评分，并返回N个得分最高的项目。由于我们使用的是物品-物品协同过滤，因此这些分数是物品-物品协同过滤预测评分的原始值。

您还可以使用以下命令预测评级：RatingPredictor

RatingPredictor pred = rec.getRatingPredictor();
Result score = pred.predict(1, 17);

输出为，用户1 对商品17的预测评分结果。

开源代码

https://gitee.com/taisan/recommend_system/tree/lenskit/

这里是我基于LensKit 写的一些算法实现demo。包含本文教程的中完整代码。感兴趣的小伙伴，欢迎查看，如果觉得不错，记得给个星星啊！