隐式

用于隐式数据集的快速 Python 协同过滤。

该项目提供了几种流行的推荐算法的快速 Python 实现，适用于隐式反馈数据集：

• 如论文《隐式反馈数据集上的协同过滤》（http://yifanhu.net/PUB/cf.pdf）和《共轭梯度法在隐式反馈协同过滤中的应用》（https://pdfs.semanticscholar.org/bfdf/7af6cf7fd7bb5e6b6db5bbd91be11597eaf0.pdf）中所述的交替最小二乘法。

• 贝叶斯个性化排序。

• 逻辑矩阵分解

• 使用余弦、TFIDF 或 BM25 作为距离度量的项目-项目最近邻模型。

所有模型都具有多线程训练例程，利用 Cython 和 OpenMP 在所有可用的 CPU 核心上并行拟合模型。此外，ALS 和 BPR 模型还配备了自定义 CUDA 内核，从而可以在兼容的 GPU 上进行拟合。诸如 Annoy、NMSLIB 和 Faiss 等近似最近邻库也可以由 Implicit 使用，以 加速推荐生成。

安装

可以通过 pypi 安装 Implicit：

pip install implicit

使用 pip 安装时，将在 x86_64 Linux、Windows 和 OSX 上使用预编译的二进制轮子。这些轮子在 Linux 上包含 GPU 支持。

Implicit 也可以通过 conda 安装：

# 仅 CPU 包
conda install -c conda-forge implicit

# CPU+GPU 包
conda install -c conda-forge implicit implicit-proc=*=gpu

基本用法

import implicit

# 初始化模型
model = implicit.als.AlternatingLeastSquares(factors=50)

# 在用户/物品/置信度权重的稀疏矩阵上训练模型
model.fit(user_item_data)

# 为用户推荐物品
recommendations = model.recommend(userid, user_item_data[userid])

# 查找相关物品
related = model.similar_items(itemid)

examples 文件夹中有一个程序展示了如何使用此功能来 计算 last.fm 数据集上的相似艺术家。

更多信息请参阅 文档。

关于 Implicit 的文章

这些博客文章介绍了驱动该库的算法：

• 使用矩阵分解寻找相似音乐
• 更快的隐式矩阵分解
• GPU 上的隐式矩阵分解
• 推荐系统中的近似最近邻
• 有趣又实用的距离度量

此外，还有几篇关于使用 Implicit 构建推荐系统的文章：

• H&M 个性化时尚推荐 Kaggle 竞赛
• Yandex 杯 2022：点赞预测
• 使用 Google BigQuery 和 implicit 库推荐 GitHub 仓库
• 隐式矩阵分解入门：使用 Sketchfab 模型的经典 ALS
• 带有隐式反馈的推荐系统的温和介绍.

要求

该库需要 SciPy 0.16 或更高版本以及 Python 3.6 或更高版本。

GPU 支持至少需要 NVidia CUDA 工具包 11 版。

该库已在 Ubuntu、OSX 和 Windows 上的 Python 3.7、3.8、3.9、3.10 和 3.11 上进行了测试。

基准测试

简单的基准测试比较了 ALS 拟合时间与 Spark 的对比结果，可在此处找到。

最佳配置

建议将 SciPy 配置为使用 Intel 的 MKL 矩阵库。一种简单的方法是安装 Anaconda Python 发行版。

对于使用 OpenBLAS 的系统，强烈建议设置 'export OPENBLAS_NUM_THREADS=1'。这会禁用其内部多线程功能，从而显著提高本包的速度。同样，对于 Intel MKL，也应设置 'export MKL_NUM_THREADS=1'。

根据 MIT 许可证发布

Implicit 快速上手指南

Implicit 是一个高性能的 Python 库，专为隐式反馈数据集（如点击、浏览、播放记录）提供协同过滤推荐算法。它支持 ALS、BPR、逻辑矩阵分解等主流算法，并利用多核 CPU 和 GPU 加速训练。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux (x86_64), Windows, 或 macOS。
• Python 版本：3.6 或更高（推荐 3.7 - 3.11）。
• 核心依赖：SciPy 0.16 或更高版本。
• GPU 支持（可选）：若需使用 GPU 加速 ALS 或 BPR 模型，需安装 NVIDIA CUDA Toolkit 11 或更高版本。

性能优化建议： 为了获得最佳性能，建议使用 Anaconda 发行版（内置 Intel MKL）。如果使用 OpenBLAS 或 MKL，建议在运行前设置环境变量以禁用其内部多线程，避免与 Implicit 的多线程冲突：

export OPENBLAS_NUM_THREADS=1
# 或者
export MKL_NUM_THREADS=1

安装步骤

您可以选择通过 pip 或 conda 进行安装。国内用户推荐使用清华源或阿里源加速下载。

方式一：使用 pip 安装

# 使用默认源
pip install implicit

# 推荐使用国内镜像源（如清华大学开源软件镜像站）
pip install implicit -i https://pypi.tuna.tsinghua.edu.cn/simple

注：pip 安装的 wheel 包在 Linux/Windows/macOS 上已预编译，Linux 版本默认包含 GPU 支持。

方式二：使用 conda 安装

# 仅 CPU 版本
conda install -c conda-forge implicit

# CPU + GPU 版本
conda install -c conda-forge implicit implicit-proc=*=gpu

基本使用

以下是最小化的代码示例，展示如何初始化模型、训练数据并生成推荐。

import implicit

# 1. 初始化模型 (这里以交替最小二乘法 ALS 为例)
# factors: 潜在因子数量，可根据数据规模调整
model = implicit.als.AlternatingLeastSquares(factors=50)

# 2. 训练模型
# user_item_data: 稀疏矩阵 (scipy.sparse)，表示 用户/物品/置信度权重
model.fit(user_item_data)

# 3. 为特定用户推荐物品
# userid: 用户 ID
# user_item_data[userid]: 该用户的历史交互数据（用于过滤已消费物品）
# N: 推荐数量
recommendations = model.recommend(userid, user_item_data[userid], N=10)

# 4. 查找相似物品
# itemid: 物品 ID
related_items = model.similar_items(itemid, N=10)

说明：

• user_item_data 通常是一个 SciPy 稀疏矩阵，行代表用户，列代表物品，值代表交互次数或置信度。
• recommend 方法返回的是 (itemid, score) 元组列表。
• 更多高级用法（如结合 Annoy/Faiss 加速检索）请参考官方文档或 examples 文件夹中的示例。