graphlab推荐系统的中文文档

recommender共有以下几个API

• 1.createing a recommender（默认创建的推荐系统
• 2.item similarity models（基于产品相似）
• 3.item content recommender （产品内容）
• 4.factorization recommender
• 5.factorization recommenders for ranking
• 6.popularity-based recommenders
• 7.utilities

1.graphlab.recommender.create

graphlab.recommender.create(observation_data, user_id='user_id', item_id='item_id', target=None, user_data=None, item_data=None, ranking=True, verbose=True)
observation_data:用来建模的数据。
至少包含两列，一列是用户ID，一列是产品ID。
每一行表示用户和产品之间的交互（购买、评分）。
用户列和产品类必须是int或str类型。
目标列必须是int或float类型.
user_id:string,optional observation_data中对应的用户列
item_id:string，optional observation_data中对应的产品列
target:string,optional observation_data 中对应的目标列。
user_data:SFame,optional 用户侧信息,必须包含user_id列.
item_data:SFame,optional 产品侧信息，必须包含item_id列。
ranking:bool,optional。 对于目标是否排序
verbose:bool,optional。是否打印输出信息\

return out:A trained model.
返回训练好的模型。
若target列给定，使用的模型graphlab.recommender.factorization_recommender.FactorizationRecommender
若target列没有给定，使用的模型
graphlab.recommender.item_similarity_recommender.ItemSimilarityRecommender.\

#一个简单的示例，没有评数据
import graphlab
sf = graphlab.SFrame({'user_id': ['0', '0', '0', '1', '1', '2', '2', '2'],'item_id': ['a', 'b', 'c', 'a', 'b', 'b', 'c', 'd']})
m = graphlab.recommender.create(sf)
recs = m.recommend()
print recs

#有评分数据
import graphlab
sf2 = graphlab.SFrame({'user_id': ['0', '0', '0', '1', '1', '2', '2', '2'],
'item_id': ['a', 'b', 'c', 'a', 'b', 'b', 'c', 'd'],
'rating': [1, 3, 2, 5, 4, 1, 4, 3]})
m2 = graphlab.recommender.create(sf2, target="rating", ranking = False)
recs2 = m.recommend()
print recs2

特定的模型允许在创建过程中使用一些额外的选项。 可用的推荐系统都在 graphlab.推荐系统名称空间中。 有关可接受选项的完整列表，请参阅单个型号的文档。 这些选项可以像任何其他参数一样传递给基础模型。 例如，下面的代码创建了一个 itemsimilaritylatender，其中包含一个名为 only top k 的节省空间选项。 返回的模型只存储2个最相似的项目:

#可以创建特定的模型
from graphlab.recommender import item_similarity_recommender
item_similarity_recommender.create(sf, only_top_k=2)