tasty是一个帮助你构建推荐系统的工具包，目前特性，测试都不完善，不能用于生产环境。但可以用于推荐系统入门学习
tasty采用了对商业友好的Apache License v2发布
tasty目前实现了最基本的协同过滤推荐算法，目前包括：
- 基于用户的协同过滤
- 基于项目的协同过滤
相似度算法目前仅实现了皮尔逊相关系数，后续会不断完善，如：
- 欧几里德距离
- 余弦相似度
- Tanimoto系数
tasty参考了Mahout的接口设计，使用方法和Mahout比较相似。
下面是一个基于项目协同过滤的例子
package main
import (
"fmt"
"github.com/lilee/tasty/cf/model"
"github.com/lilee/tasty/cf/recomender"
"github.com/lilee/tasty/cf/similarity"
)
func main() {
m := model.NewGenericDataModel()
add := func(userId, itemId uint64, value float64) {
p := model.NewGenericPreference(userId, itemId, value)
m.AddPreference(p)
}
// A用户喜欢物品a,c
// B用户喜欢物品a,b,c
// C用户喜欢物品a
// 物品a,c同时被用户喜欢，说明物品a,c的相似度很高
// C用户喜欢a物品，则可以将c物品推荐给用户C
add(1, 1, 5.0)
add(1, 3, 4.0)
add(2, 1, 4.0)
add(2, 2, 5.0)
add(2, 3, 5.0)
add(3, 1, 5.0)
// 使用皮尔逊相关系数相似度算法
s := similarity.NewPearsonCorrelationSimilarity(m)
// 基于项目的协同过滤
r := recommender.NewGenericItemBasedRecommender(m, s)
items, err := r.Recommend(3, 1)
if err != nil {
panic(err)
}
for _, item := range(items) {
fmt.Println("item:", item)
}
//Output:
// item: (3, 5.000000)
}- DataModel提供了存储及访问用户偏好的接口
- Similarity实现了计算两个用户相似度的方法
- Recommender使用上面两个模块向指定用户提供TopN推荐
程序运行输出是：
item: (3, 5.000000)
表示将推荐物品c，并且系统预测用户C对物品c的可能评分是5分
未来一个月内的计划
- 完善文档
- 完善单元测试
- 实现基本的离线评测方法
- 实现基于隐语义模型的协同过滤算法
- 完善向量相似度算法