玉米粉是多模式推荐系统的比较框架。它专注于制造方便的使用模型利用辅助数据（例如，项目描述性文本和图像、社交网络等）。玉米粉使能够快速的实验和直截了当的新模型的实现。它是高度兼容使用现有的机器学习库（例如，TensorFlow、PyTorch）。

Cornac是ACM RecSys 2023年用于评估和再现推荐算法。

网站|文档|教程|示例|模型|数据集集合|纸类|首选。人工智能

目前，我们支持Python 3。有几种安装Cornac的方法：

• 来自PyPI（推荐）：

  pip3安装cornac

• 来自Anaconda：

  康达安装cornac-c康达锻造厂

• 来自GitHub源代码（用于最新更新）：

  pip3安装Cython numpy scipypip3安装git+https://github.com/PreferredAI/cornac.git

注：

列出了模型所需的其他依赖项在这里.

一些算法实现使用开放式多媒体播放器支持多线程。对于Mac OS用户，为了有效地运行这些算法，您可能需要安装海湾合作委员会从Homebrew获得OpenMP编译器：

brew安装gcc|brew链接gcc

玉米试验流程

进口 玉米粉
从 玉米粉.评估方法 进口 比率拆分
从 玉米粉.模型 进口 MF公司,项目管理框架,业务流程再造
从 玉米粉.韵律学 进口 MAE公司,RMSE公司,精密度,召回,NDCG公司,AUC公司,地图

#加载内置MovieLens 100K并根据比率拆分数据
100千毫升 = 玉米粉.数据集.movielens公司.加载反馈()秒 = 比率拆分(数据=10万毫升,测试_大小=0.2,额定_阈值=4,种子=123)#初始化模型，这里我们比较：偏置MF、PMF和BPR
中频 = MF公司(k个=10,最大值（_I）=25,学习_比率=0.01,λ_reg=0.02,使用偏差（_B）=真的,种子=123)pmf公司 = 项目管理框架(k个=10,最大值（_I）=100,学习_比率=0.001,λ_reg=0.001,种子=123)业务流程重组 = 业务流程再造(k个=10,最大值（_I）=200,学习_比率=0.001,λ_reg=0.01,种子=123)模型 =[中频,pmf公司,业务流程重组]#定义指标以评估模型
韵律学 =[MAE公司(),RMSE公司(),精密度(k个=10),召回(k个=10),NDCG公司(k个=10),AUC公司(),地图()]#把它放在一起做实验，瞧！
玉米粉.实验(评估方法=秒,模型=模型,韵律学=韵律学,基于用户（_B）=真的).运行()

输出：

在这里，我们通过使用瓶。它对于测试或创建演示应用程序非常方便。首先，我们安装依赖项：

$pip3安装烧瓶

假设我们想为上一示例中经过训练的BPR模型提供服务，我们需要保存它：

业务流程重组.节约(“保存目录”,保存训练集=真的)

之后，可以通过运行Cornac服务应用程序轻松部署模型，如下所示：

$FLASK_APP（美元）='玉米服务.app'\型号路径='保存目录/BPR'\型号_等级='玉米。模型。业务流程再造'\烧瓶运行--主机本地主机--端口8080#正在上运行http://localhost:8080

好了，我们的模型服务现在准备好了。我们开始吧前5名用户的项目建议"63":

$curl-X获取"http://localhost:8080/推荐？uid=63&k=5&remove_seen=false"

#回复：{“建议”：[“50”，“181”，“100”，“258”，“286”]，“查询”：{”uid“：”63“，”k“：5，”remove_seen“：false}}

如果我们想在培训期间删除看到的项目，我们需要提供训练_设置在启动服务应用程序时，它已与模型一起保存。我们还可以利用WSGI公司用于生产中模型部署的服务器。请参阅这指南了解更多详细信息。

玉米-AB是使用Cornac Serving API的Cornac的扩展。轻松创建和管理A/B测试实验，以便与在线用户进一步了解模型性能。

用户交互解决方案	建议仪表板	反馈仪表板

部署推荐模型的一个重要方面是通过向量空间中的近似最近邻（ANN）搜索进行高效检索。Cornac集成了几个向量相似性搜索框架，以便于部署。这个例子演示了ANN搜索如何与支持它的任何推荐模型无缝协作（例如矩阵分解）。

下表列出了Cornac中的推荐模型/算法。提供的示例既可以快速展示易于运行的脚本，也可以深入解释每个模型背后的数学和直觉。你为什么不和我们一起加长名单呢？

• Cornac示例
• Cornac教程
• 按首选项列出的RecSys教程。人工智能
• 使用Microsoft推荐程序运行Cornac模型（BPR）,（BiVAE）
• TheWebConf/WWW 2023上的多式联运RecSys教程,RecSys 2021早期版本

本项目欢迎您的贡献和建议。在投稿之前，请参阅我们的捐款准则.

如果您在科学出版物中使用Cornac，我们希望您能引用以下论文：

@文章{salah2020cornac，title={Cornac:多模式推荐系统的比较框架}，作者={Salah，Aghiles and Truong，Quoc-Tuan and Lauw，Hady W}，journal={机器学习研究杂志}，体积={21}，数字={95}，页数={1--5}，年份={2020年}}

@文章{trueng2021探索，title={探索推荐系统中的跨模式利用}，作者={Truong，Quoc-Tuan and Salah，Aghiles and Tran，Thanh-Binh and Guo，Jingyao and Lauw，Hady W}，journal={IEEE互联网计算}，年份={2021}，publisher={IEEE}}

@进行中{trueng2021multi，title={多模式推荐系统：实践探索}，author={Truong、Quoc-Tuan和Salah、Aghiles和Lauw、Hady}，booktitle={第十五届ACM推荐系统会议}，页数={834--837}，年份=｛2021｝}

Apache许可证2.0