在經(jīng)過(guò)一年多的開(kāi)發(fā)工作之后，LibRec 3.0 版本終于發(fā)布了。LibRec是一個(gè)基于 Java 的開(kāi)源算法工具庫(kù)，覆蓋了 70 余個(gè)各類型推薦算法，可以有效解決評(píng)分預(yù)測(cè)和物品推薦兩大關(guān)鍵的推薦問(wèn)題，目前已經(jīng)在 GitHub 上收獲了 1457 個(gè) Star，612 個(gè) Fork。

2012 年，還在新加坡南洋理工大學(xué)攻讀博士學(xué)位的郭貴冰開(kāi)始關(guān)注推薦系統(tǒng)。當(dāng)時(shí)，MyMedialite 是最知名的推薦工具庫(kù)之一。作為初學(xué)者，郭貴冰一邊看論文，一邊看MyMedialite 的代碼，然后在它的基礎(chǔ)上實(shí)現(xiàn)我自己的研究算法。

然而，很快郭貴冰就意識(shí)到一個(gè)問(wèn)題，在 Linux 服務(wù)器上跑 MyMedialite 會(huì)非常麻煩，而且在并行計(jì)算的時(shí)候諸多限制（相對(duì)于 Windows 平臺(tái)），在跨平臺(tái)方面存在不足。不得已，郭貴冰只好把自己的程序改成熟悉的 Java 代碼，于是得到是最原始的 LibRec。隨著研究和學(xué)習(xí)的深入，更多的算法慢慢添加到了 LibRec 中，并托管到 GitHub 以便版本控制。

2015 年 11 月，郭貴冰以引進(jìn)人才的方式加入東北大學(xué)軟件學(xué)院，任職副教授。由于精力所限，郭貴冰開(kāi)始組建開(kāi)源團(tuán)隊(duì)。2016 年 1 月，郭貴冰、王宇峰等人組建起了最初的 LibRec 核心開(kāi)發(fā)團(tuán)隊(duì)，并不斷擴(kuò)充團(tuán)隊(duì)。

2016 年 12 月，郭貴冰團(tuán)隊(duì)發(fā)布了 LibRec 2.0 版本。經(jīng)過(guò)一年多的開(kāi)發(fā)之后，郭貴冰團(tuán)隊(duì)又在今日發(fā)布了 LibRec 3.0 版本。

▌LibRec 的特點(diǎn)

LibRec是基于 Java 的開(kāi)源算法工具庫(kù)，覆蓋了 70 余個(gè)各類型推薦算法，有效解決評(píng)分預(yù)測(cè)和物品推薦兩大關(guān)鍵的推薦問(wèn)題。

1）豐富的算法

截止到目前，LibRec已經(jīng)集成了70余個(gè)推薦算法。具體包括基準(zhǔn)算法，協(xié)同過(guò)濾算法，基于內(nèi)容的算法，基于情景感知的算法，混合算法以及其他擴(kuò)展算法等。同時(shí)算法中也包含了概率圖模型，張量分解模型，因子分解機(jī)，深度學(xué)習(xí)中的 RBM 模塊等算法。LibRec 中包含的所有算法均已歸類并注明實(shí)現(xiàn)參考文獻(xiàn)。

2）良好的模塊化

目前LibRec中最主要的模塊為DataModel，Recommender，Evaluator與Filter，分別負(fù)責(zé)數(shù)據(jù)的預(yù)處理，推薦模型的訓(xùn)練，模型的執(zhí)行，輸出結(jié)果的過(guò)濾。

3）靈活的框架配置

不同算法的配置項(xiàng)因配置項(xiàng)不同，所以每一個(gè)推薦算法分別對(duì)應(yīng)一個(gè)配置文件。方便管理的同時(shí)也方便用戶根據(jù)算法的執(zhí)行結(jié)果來(lái)調(diào)參。目前 LibRec 已經(jīng)針對(duì)所有算法配置好了默認(rèn)參數(shù)。

4）簡(jiǎn)單的框架用法

LibRec 分別提供了 Linux 和 Windows 版本的命令行工具。用戶可以根據(jù) LibRec 提供的手冊(cè)來(lái)編寫配置文件，并使用命令行來(lái)執(zhí)行算法。最終評(píng)估結(jié)果在終端中輸出，推薦結(jié)果根據(jù)配置文件生成在相應(yīng)目錄下。

▌LibRec 3.0

經(jīng)過(guò)一年多的開(kāi)發(fā)，LibRec 3.0 在原版本的基礎(chǔ)上增加了許多新特性，特別是對(duì)如今流行的深度學(xué)習(xí)、集成學(xué)習(xí)等算法的支持。

1）深度學(xué)習(xí)算法

深度學(xué)習(xí)能夠使用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)動(dòng)態(tài)或者序列數(shù)據(jù)進(jìn)行建模，并且可以更加準(zhǔn)確的學(xué)習(xí)user和item的特征。DeepLearning4J（DL4J）是一套基于Java語(yǔ)言的神經(jīng)網(wǎng)絡(luò)工具包，可以構(gòu)建、定型和部署神經(jīng)網(wǎng)絡(luò)。DL4J 與 Hadoop 和 Spark 集成，支持分布式 CPU 和 GPU，為商業(yè)環(huán)境（而非研究工具目的）所設(shè)計(jì)。結(jié)合 DL4J，郭貴冰團(tuán)隊(duì)開(kāi)發(fā)了深度學(xué)習(xí)算法模塊。

2）POI 算法

POI 算法主要是指對(duì)用戶興趣點(diǎn)推薦（Point Of Interest）。根據(jù)用戶在社交網(wǎng)絡(luò)中的興趣和地理位置信息，分析用戶的標(biāo)簽屬性和地理偏好，給用戶推薦合適的出行地點(diǎn)?；诘乩砦恢茫F冰團(tuán)隊(duì)實(shí)現(xiàn)了 POI 算法模塊。

3）增量更新算法

增量更新主要是提高推薦算法時(shí)效性，傳統(tǒng)的個(gè)性化推薦系統(tǒng)，采用定期離線對(duì)數(shù)據(jù)進(jìn)行分析的做法來(lái)更新模型。實(shí)時(shí)個(gè)性化推薦實(shí)時(shí)分析用戶產(chǎn)生的數(shù)據(jù)，可以更準(zhǔn)確地為用戶進(jìn)行推薦，同時(shí)根據(jù)實(shí)時(shí)的推薦結(jié)果進(jìn)行反饋，更好地改進(jìn)推薦模型。增量更新模塊實(shí)現(xiàn)了部分推薦算法的增量更新功能。

4）集成學(xué)習(xí)算法

集成學(xué)習(xí)在機(jī)器學(xué)習(xí)算法中具有較高的準(zhǔn)確率，不足之處就是模型的訓(xùn)練過(guò)程可能比較復(fù)雜，效率不是很高。集成學(xué)習(xí)是使用一系列學(xué)習(xí)器進(jìn)行學(xué)習(xí)，并使用某種規(guī)則把各個(gè)學(xué)習(xí)結(jié)果進(jìn)行整合從而獲得比單個(gè)學(xué)習(xí)器更好的學(xué)習(xí)效果的一種機(jī)器學(xué)習(xí)方法。增量更新模塊實(shí)現(xiàn)了部分推薦算法的增量更新功能。