Microsoft Recommenders Library Releases v1.2.1
The open-source library Recommenders released version 1.2.1, primarily fixing dependency-related bugs and improving security. Hosted by the Linux AI & Data Foundation, the project assists researchers and developers in building classic and state-of-the-art recommendation systems from prototyping to production.
Related Entities
Full Report
Contents3 sections
最新动态(2025 年 4 月)
我们达成了 20,000 stars!!
我们很高兴地宣布,Recommenders 项目在 GitHub 上已突破 20,000 stars!感谢大家对该项目的支持与贡献。我们期待在大家的帮助下继续构建并完善这个项目。
请查看 Recommenders 1.2.1 版本发布说明!
我们修复了大量由依赖项引起的 bug,提升了安全性,并对 notebook 和库进行了审查。
简介
Recommenders 的目标是协助研究人员、开发人员和爱好者对一系列经典及前沿的推荐系统进行原型设计、实验以及生产部署。
Recommenders 是 Linux AI and Data Foundation 旗下的一个项目。
本仓库包含用于构建推荐系统的示例和最佳实践,均以 Jupyter notebook 形式提供。这些示例详细展示了我们在以下五个关键任务中的经验总结:
- 数据准备:为每种推荐算法准备和加载数据。
- 模型构建:使用各种经典和深度学习推荐算法构建模型,例如交替最小二乘法(ALS)或极致深度分解机(xDeepFM)。
- 评估:使用离线指标评估算法。
- 模型选择与优化:对推荐模型的超参数进行调优和优化。
- 运营化:在 Azure 上将模型部署到生产环境中。
recommenders 提供了多种实用工具,以支持常见任务,例如加载不同算法所需格式的数据集、评估模型输出以及划分训练/测试数据。该库还包含多种最先进(state-of-the-art)算法的实现,供用户自学并在自己的应用中进行定制。请参阅 Recommenders 文档。
如需更详细地了解该代码仓库,请查阅 wiki 页面上的文档。
有关推荐系统已应用的某些实际场景,请参阅 scenarios。
入门指南
我们推荐使用 uv 进行环境管理(比 conda/pip 快 10-100 倍),并使用 VS Code 进行开发。要在 Linux/WSL 上安装 recommenders 包并运行示例 notebook,请执行以下步骤:
# 1. 如果尚未安装 gcc,请先安装它。在 Ubuntu 上,可以使用以下命令完成安装
# sudo apt install gcc
# 2. 安装 uv(如果尚未安装)
curl -LsSf https://astral.sh/uv/install.sh | sh
# 3. 创建并激活新的虚拟环境
uv venv ~/.venvs/recommenders --python 3.11
source ~/.venvs/recommenders/bin/activate
# 4. 安装核心 recommenders 包。它可以运行所有 CPU notebook。
uv pip install recommenders
# 5. 创建 Jupyter kernel
uv pip install ipykernel
python -m ipykernel install --user --name recommenders --display-name "Python (recommenders)"
# 6. 在 VSCode 中或使用命令行克隆此仓库:
git clone https://github.com/recommenders-team/recommenders.git
# 7. 在 VSCode 中:
# a. 打开一个 notebook,例如 examples/00_quick_start/sar_movielens.ipynb;
# b. 选择 Jupyter kernel "Python (recommenders)";
# c. 运行 notebook。有关在其他平台(如 Windows 和 macOS)上进行设置以及不同配置(如 GPU、Spark 和实验性功能)的更多信息,请参阅 Setup Guide。
除了核心包之外,还提供了几个额外选项(extras),包括:
[gpu]:运行 GPU 模型所需。[spark]:运行 Spark 模型所需。[dev]:仓库开发所需。[all]:[gpu]|[spark]|[dev][experimental]:未经过彻底测试且/或可能需要额外安装步骤的模型。
(注:更多技术实现细节与完整 API 文档请查阅原项目 README)