recommenders-team/recommenders

해결하는 문제

처음부터 추천 시스템을 구축하는 것은 어렵습니다. 많은 알고리즘을 시도하고, 데이터를 올바른 형식으로 정리하고, 적절한 지표로 품질을 측정하고, 하이퍼파라미터를 튜닝하고, 마지막으로 모델을 배포해야 합니다. 이 프로젝트는 전체 워크플로우를 한곳에 패키징하여 연구자와 개발자가 추천 시스템을 더 빠르게 프로토타입화하고 출시할 수 있게 합니다.

작동 방식

ALS 및 SVD와 같은 고전적인 행렬 분해부터 NCF, LightGCN, Transformer 기반 시퀀셜 추천기와 같은 딥러닝 모델까지 바로 사용할 수 있는 추천 알고리즘 모음을 제공합니다. 모델과 함께 일반적인 작업을 처리하는 유틸리티도 포함됩니다: 알고리즘별 형식의 데이터셋 로드, 데이터를 훈련 세트와 테스트 세트로 분할, MAP, nDCG, 정밀도, 재현율, RMSE, MAE와 같은 오프라인 평가 지표 계산. 저장소에는 데이터 준비, 모델 구축, 평가, 모델 선택 및 최적화, 운영화(Azure 예제 포함)의 다섯 가지 주요 작업을 안내하는 Jupyter 노트북도 포함되어 있습니다. 벤치마크 노트북은 표준 데이터셋에서 서로 다른 알고리즘을 나란히 비교하는 방법을 보여줍니다.

대상 독자

추천 시스템을 실험하거나 프로덕션화하려는 연구자, 데이터 과학자, 개발자. 초보자든 경험자든 상관없습니다. 또한 다양한 알고리즘의 동작을 연구하려는 학생과 애호가에게도 유용합니다.

주요 특징

• 협업 필터링, 콘텐츠 기반 필터링, 시퀀스/어텐션 기반 방법을 포함한 30개 이상의 알고리즘을 다룹니다
• 여러 알고리즘에서 작동하는 데이터 처리, 분할, 평가를 위한 유틸리티 함수를 제공합니다
• 빠른 시작 예제와 수학 및 구현을 설명하는 심층 내용을 모두 포함한 상세한 Jupyter 노트북을 포함합니다
• 동일한 데이터에서 알고리즘 성능을 비교하는 벤치마크 노트북을 제공합니다
• CPU, GPU, PySpark 등 여러 환경을 지원합니다
• SAR, xDeepFM, DKN을 포함한 많은 알고리즘이 Microsoft에서 기여했습니다
• Azure에서 모델을 프로덕션에 배포하는 방법을 보여주는 운영화 예제