[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ibayer--fastFM":3,"tool-ibayer--fastFM":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":76,"owner_company":76,"owner_location":78,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":97,"env_os":98,"env_gpu":99,"env_ram":99,"env_deps":100,"category_tags":109,"github_topics":110,"view_count":23,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":115,"updated_at":116,"faqs":117,"releases":146},3094,"ibayer\u002FfastFM","fastFM"," fastFM: A Library for Factorization Machines","fastFM 是一个专为 Python 设计的开源库，旨在让开发者轻松使用因子分解机（Factorization Machines）算法。它主要解决了在推荐系统、广告点击率预测等场景中，如何高效处理高维稀疏数据并进行精准回归、分类或排序的问题。\n\n这款工具特别适合机器学习工程师、数据科学家以及学术研究人员使用。如果你熟悉 scikit-learn 的编程风格，那么上手 fastFM 将非常顺畅，因为它完全兼容 scikit-learn 的 API 接口，只需几行代码即可构建模型。\n\nfastFM 的核心技术亮点在于其卓越的性能与灵活性。为了确保计算速度，所有关键代码均用 C 语言编写并通过 Cython 封装，既保留了 Python 的易用性，又拥有接近底层语言的执行效率。此外，它不仅支持常见的随机梯度下降（SGD）和坐标下降（CD）优化算法，还独特地提供了用于贝叶斯推断的马尔可夫链蒙特卡洛（MCMC）方法，这在同类库中较为少见，能为需要概率建模的研究提供更强大的支持。无论是工业界的快速原型开发，还是学术界对算法深度的探索，fastFM 都是一个值得尝试的得力助手。","Citing fastFM\n=============\n\nThe library fastFM is an academic project. The time and resources spent\ndeveloping fastFM are therefore justified by the number of citations of\nthe software. If you publish scientific articles using fastFM, please\ncite the following article (bibtex entry\n[citation.bib](http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fv17\u002F15-355.bib)).\n\n> Bayer, I. \\\"fastFM: A Library for Factorization Machines\\\" Journal of\n> Machine Learning Research 17, pp. 1-5 (2016)\n\nfastFM: A Library for Factorization Machines\n============================================\n\n[![image](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM)\n[![image](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fplatform-OSX%7CLinux-lightgrey.svg)](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM)\n[![image](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002FDjango.svg)](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM)\n\nThis repository allows you to use Factorization Machines in **Python**\n(2.7 & 3.x) with the well known **scikit-learn API**. All performance\ncritical code has been written in C and wrapped with Cython. fastFM\nprovides stochastic gradient descent (SGD) and coordinate descent (CD)\noptimization routines as well as Markov Chain Monte Carlo (MCMC) for\nBayesian inference. The solvers can be used for regression,\nclassification and ranking problems. Detailed usage instructions can be\nfound in the [online documentation](http:\u002F\u002Fibayer.github.io\u002FfastFM) and\non [arXiv](http:\u002F\u002Farxiv.org\u002Fabs\u002F1505.00641).\n\nSupported Operating Systems\n---------------------------\n\nfastFM has a continuous integration \u002F testing servers (Travis) for\n**Linux (Ubuntu 14.04 LTS)** and **OS X Mavericks**. Other OSs are not\nactively supported.\n\nUsage\n-----\n\n``` {.python}\nfrom fastFM import als\nfm = als.FMRegression(n_iter=1000, init_stdev=0.1, rank=2, l2_reg_w=0.1, l2_reg_V=0.5)\nfm.fit(X_train, y_train)\ny_pred = fm.predict(X_test)\n```\n\nTutorials and other information are available\n[here](http:\u002F\u002Farxiv.org\u002Fabs\u002F1505.00641). The C code is available as\n[subrepository](https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM-core) and provides a\nstand alone command line interface. If you still have **questions**\nafter reading the documentation please open an issue at GitHub.\n\n| Task       | Solver     | Loss     |\n| :------------- | :----------: | -----------: |\n| Regression     | als, mcmc, sgd | Square Loss                 |\n| Classification | als, mcmc, sgd | Probit(Map), Probit, Sigmoid|\n| Ranking        | sgd            | BPR                         |\n\n*Supported solvers and tasks*\n\nInstallation\n------------\n\n**binary install (64bit only)**\n\n`pip install fastFM`\n\n**source install**\n\n*Please make sure, that Python and OS bit version agree, e.g. 32bit\nPython on 64bit OS won\\'t work.*\n\n``` {.bash}\n# Install cblas and python-dev header (Linux only).\n# - cblas can be installed with libatlas-base-dev or libopenblas-dev (Ubuntu)\n$ sudo apt-get install python-dev libopenblas-dev\n\n# Clone the repo including submodules (or clone + `git submodule update --init --recursive`)\n$ git clone --recursive https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM.git\n\n# Enter the root directory\n$ cd fastFM\n\n# Install Python dependencies (Cython>=0.22, numpy, pandas, scipy, scikit-learn)\n$ pip install -r .\u002Frequirements.txt\n\n# Compile the C extension.\n$ make                      # build with default python version (python)\n$ PYTHON=python3 make       # build with custom python version (python3)\n\n# Install fastFM\n$ pip install .\n```\n\nTests\n-----\n\nThe Python tests (`pip install nose`) can be run with:\n`nosetests fastFM\u002FfastFM\u002Ftests`\n\nPlease refer to the fastFM-core README for instruction on how to run the\nC tests at `fastFM\u002FfastFM-core\u002Fsrc\u002Ftests`.\n\nContribution\n------------\n\n-   Star this repository: keeps contributors motivated\n-   Open an issue: report bugs or suggest improvements\n-   Fix errors in the documentation: small changes matter\n-   Contribute code\n\n**Contributions are very welcome!** Since this project lives on GitHub\nwe recommend to open a pull request (PR) for code contributions as early\nas possible. This is the fastest way to get feedback and allows [Travis\nCI](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM) to run checks on your changes.\n\nMost information you need to setup your **development environment** can\nbe learned by adapting the great instructions on\n\u003Chttps:\u002F\u002Fgithub.com\u002Fscikit-learn\u002Fscikit-learn\u002Fblob\u002Fmaster\u002FCONTRIBUTING.md>\n. Please ensure that your contribution conforms to the\n[PEP8](http:\u002F\u002Fwww.python.org\u002Fdev\u002Fpeps\u002Fpep-0008\u002F) Coding Style and\nincludes unit tests where appropriate. More valuable guidelines that\napply to fastFM can be found at\n\u003Chttp:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fdevelopers\u002Fcontributing.html#coding-guidelines>\n.\n\n**Contributors**\n\n-   [aaossa](https:\u002F\u002Fgithub.com\u002Faaossa\u002F)\n-   [altimin](https:\u002F\u002Fgithub.com\u002Faltimin)\n-   [bdaskalov](https:\u002F\u002Fgithub.com\u002Fbdaskalov)\n-   [chezou](https:\u002F\u002Fgithub.com\u002Fchezou)\n-   [macks22](https:\u002F\u002Fgithub.com\u002Fmacks22)\n-   [takuti](https:\u002F\u002Fgithub.com\u002Ftakuti)\n-   [ibayer](https:\u002F\u002Fgithub.com\u002Fibayer)\n\nLicense: BSD\n------------\n\n\u003C!-- Matomo Image Tracker-->\n\u003Cimg referrerpolicy=\"no-referrer-when-downgrade\" src=\"https:\u002F\u002Fmatomo.palaimon.io\u002Fmatomo.php?idsite=2&rec=1\" style=\"border:0\" alt=\"\" \u002F>\n\u003C!-- End Matomo -->\n","引用 fastFM\n=============\n\n库 fastFM 是一个学术项目。因此，开发 fastFM 所花费的时间和资源可以通过该软件的引用次数来证明其合理性。如果您在使用 fastFM 的情况下发表了科学论文，请引用以下文章（BibTeX 条目位于 [citation.bib](http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fv17\u002F15-355.bib)）。\n\n> Bayer, I. “fastFM: 用于因子分解机的库” 《机器学习研究期刊》第 17 卷，第 1–5 页（2016 年）\n\nfastFM：用于因子分解机的库\n============================================\n\n[![image](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM)\n[![image](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fplatform-OSX%7CLinux-lightgrey.svg)](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM)\n[![image](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002FDjango.svg)](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM)\n\n此仓库使您能够在 **Python**（2.7 和 3.x）中使用因子分解机，并采用广为人知的 **scikit-learn API**。所有性能关键代码均用 C 语言编写，并通过 Cython 进行封装。fastFM 提供随机梯度下降（SGD）、坐标下降（CD）优化算法以及用于贝叶斯推断的马尔可夫链蒙特卡洛（MCMC）。这些求解器可用于回归、分类和排序问题。详细的使用说明可在 [在线文档](http:\u002F\u002Fibayer.github.io\u002FfastFM) 和 [arXiv](http:\u002F\u002Farxiv.org\u002Fabs\u002F1505.00641) 中找到。\n\n支持的操作系统\n---------------------------\n\nfastFM 在 **Linux (Ubuntu 14.04 LTS)** 和 **OS X Mavericks** 上设有持续集成\u002F测试服务器（Travis）。其他操作系统目前未得到积极支持。\n\n使用方法\n-----\n\n``` {.python}\nfrom fastFM import als\nfm = als.FMRegression(n_iter=1000, init_stdev=0.1, rank=2, l2_reg_w=0.1, l2_reg_V=0.5)\nfm.fit(X_train, y_train)\ny_pred = fm.predict(X_test)\n```\n\n教程及其他信息请参见 [这里](http:\u002F\u002Farxiv.org\u002Fabs\u002F1505.00641)。C 代码作为 **子仓库** 可用（[github.com\u002Fibayer\u002FfastFM-core](https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM-core)），并提供独立的命令行界面。如果您在阅读文档后仍有 **疑问**，请在 GitHub 上提交问题。\n\n| 任务       | 求解器     | 损失函数     |\n| :------------- | :----------: | -----------: |\n| 回归     | als, mcmc, sgd | 均方损失                 |\n| 分类 | als, mcmc, sgd | Probit(Map)、Probit、Sigmoid|\n| 排序        | sgd            | BPR                         |\n\n*支持的求解器和任务*\n\n安装\n------------\n\n**二进制安装（仅限 64 位）**\n\n`pip install fastFM`\n\n**源码安装**\n\n*请确保 Python 版本与操作系统位数一致，例如 64 位操作系统上运行 32 位 Python 将无法正常工作。*\n\n``` {.bash}\n# 安装 cblas 和 python-dev 头文件（仅限 Linux）。\n# - cblas 可通过 libatlas-base-dev 或 libopenblas-dev 安装（Ubuntu）\n$ sudo apt-get install python-dev libopenblas-dev\n\n# 克隆包含子模块的仓库（或先克隆再执行 `git submodule update --init --recursive`）\n$ git clone --recursive https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM.git\n\n# 进入根目录\n$ cd fastFM\n\n# 安装 Python 依赖项（Cython>=0.22、numpy、pandas、scipy、scikit-learn）\n$ pip install -r .\u002Frequirements.txt\n\n# 编译 C 扩展。\n$ make                      # 使用默认 Python 版本编译（python）\n$ PYTHON=python3 make       # 使用自定义 Python 版本编译（python3）\n\n# 安装 fastFM\n$ pip install .\n```\n\n测试\n-----\n\nPython 测试（需安装 nose）可通过以下命令运行：\n`nosetests fastFM\u002FfastFM\u002Ftests`\n\n有关如何运行位于 `fastFM\u002FfastFM-core\u002Fsrc\u002Ftests` 的 C 测试，请参阅 fastFM-core 的 README 文件。\n\n贡献\n------------\n\n-   给本仓库加星标：激励贡献者\n-   提交问题：报告错误或提出改进建议\n-   修正文档中的错误：细微改动也很重要\n-   贡献代码\n\n**欢迎任何形式的贡献！** 由于该项目托管于 GitHub，我们建议尽早为代码贡献打开拉取请求（PR）。这是获得反馈最快的方式，并且可以让 [Travis CI](https:\u002F\u002Ftravis-ci.org\u002Fibayer\u002FfastFM) 对您的更改进行检查。\n\n设置 **开发环境** 所需的大部分信息，您可以参考 \u003Chttps:\u002F\u002Fgithub.com\u002Fscikit-learn\u002Fscikit-learn\u002Fblob\u002Fmaster\u002FCONTRIBUTING.md> 上的优秀指南。请确保您的贡献符合 [PEP8](http:\u002F\u002Fwww.python.org\u002Fdev\u002Fpeps\u002Fpep-0008\u002F) 编码规范，并在适当的情况下包含单元测试。更多适用于 fastFM 的宝贵指导原则，请参阅 \u003Chttp:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fdevelopers\u002Fcontributing.html#coding-guidelines>。\n\n**贡献者**\n\n-   [aaossa](https:\u002F\u002Fgithub.com\u002Faaossa\u002F)\n-   [altimin](https:\u002F\u002Fgithub.com\u002Faltimin)\n-   [bdaskalov](https:\u002F\u002Fgithub.com\u002Fbdaskalov)\n-   [chezou](https:\u002F\u002Fgithub.com\u002Fchezou)\n-   [macks22](https:\u002F\u002Fgithub.com\u002Fmacks22)\n-   [takuti](https:\u002F\u002Fgithub.com\u002Ftakuti)\n-   [ibayer](https:\u002F\u002Fgithub.com\u002Fibayer)\n\n许可证：BSD\n------------\n\n\u003C!-- Matomo 图像跟踪器-->\n\u003Cimg referrerpolicy=\"no-referrer-when-downgrade\" src=\"https:\u002F\u002Fmatomo.palaimon.io\u002Fmatomo.php?idsite=2&rec=1\" style=\"border:0\" alt=\"\" \u002F>\n\u003C!-- 结束 Matomo -->","# fastFM 快速上手指南\n\nfastFM 是一个基于 Python 的因子分解机（Factorization Machines）库，兼容 scikit-learn API。其核心性能代码由 C 编写并通过 Cython 封装，支持回归、分类和排序任务，提供 SGD、CD 及 MCMC 等多种优化算法。\n\n## 环境准备\n\n**系统要求**\n*   **操作系统**：推荐 Linux (Ubuntu) 或 macOS。Windows 非官方主动支持平台，可能需额外配置。\n*   **Python 版本**：支持 Python 2.7 及 3.x。\n*   **注意**：请确保 Python 位数与操作系统一致（例如：不要在 64 位系统上安装 32 位 Python）。\n\n**前置依赖**\n在安装前，需确保系统已安装 C 编译器及线性代数库。\n*   **Linux (Ubuntu\u002FDebian)**:\n    ```bash\n    sudo apt-get install python-dev libopenblas-dev\n    # 或者\n    sudo apt-get install python3-dev libopenblas-dev\n    ```\n*   **macOS**:\n    通常需安装 Xcode Command Line Tools 及 OpenBLAS (可通过 Homebrew: `brew install openblas`)。\n\n## 安装步骤\n\n### 方式一：二进制安装（推荐，仅限 64 位系统）\n最简单的方式是通过 pip 直接安装预编译包：\n```bash\npip install fastFM\n```\n*(国内用户如遇下载慢，可添加清华源：`pip install fastFM -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n### 方式二：源码安装（适用于自定义环境或开发）\n若二进制安装失败或需要最新代码，请按以下步骤操作：\n\n1.  **克隆仓库**（包含子模块）：\n    ```bash\n    git clone --recursive https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM.git\n    cd fastFM\n    ```\n\n2.  **安装 Python 依赖**：\n    ```bash\n    pip install -r .\u002Frequirements.txt\n    ```\n\n3.  **编译 C 扩展**：\n    ```bash\n    # 使用默认 Python 版本编译\n    make\n    \n    # 或者指定 Python 3 编译\n    PYTHON=python3 make\n    ```\n\n4.  **安装库**：\n    ```bash\n    pip install .\n    ```\n\n## 基本使用\n\nfastFM 的使用风格与 scikit-learn 高度一致。以下是一个使用 ALS (Alternating Least Squares) 求解器进行回归预测的最小示例：\n\n```python\nfrom fastFM import als\n\n# 初始化模型\n# n_iter: 迭代次数, init_stdev: 初始化标准差, rank: 因子维度\n# l2_reg_w: w 的 L2 正则化, l2_reg_V: V 的 L2 正则化\nfm = als.FMRegression(n_iter=1000, init_stdev=0.1, rank=2, l2_reg_w=0.1, l2_reg_V=0.5)\n\n# 训练模型\nfm.fit(X_train, y_train)\n\n# 预测结果\ny_pred = fm.predict(X_test)\n```\n\n**支持的任务与求解器概览：**\n*   **回归 (Regression)**: 支持 `als`, `mcmc`, `sgd`\n*   **分类 (Classification)**: 支持 `als`, `mcmc`, `sgd`\n*   **排序 (Ranking)**: 支持 `sgd` (BPR Loss)","某电商数据团队需要基于用户历史点击和商品属性，构建一个能精准预测用户购买概率的推荐系统。\n\n### 没有 fastFM 时\n- 传统逻辑回归模型无法有效捕捉“用户年龄”与“商品类别”等特征之间的交叉组合关系，导致推荐结果过于泛化。\n- 面对高维稀疏的用户行为数据，自行编写因子分解机（FM）算法不仅开发周期长，且纯 Python 实现训练速度极慢，难以迭代。\n- 缺乏统一的接口标准，新模型难以融入现有的 scikit-learn 工作流，增加了工程部署和维护的复杂度。\n- 无法灵活选择优化策略，面对不同业务目标（如排序或回归）时，只能硬编码单一求解器，调优空间受限。\n\n### 使用 fastFM 后\n- 利用 fastFM 内置的因子分解机制，自动学习特征间的高阶交互，显著提升了长尾商品和冷启动用户的推荐准确率。\n- 核心计算由 C 语言编写并通过 Cython 加速，配合 SGD 或 MCMC 等高效求解器，将模型训练时间从数小时缩短至分钟级。\n- 完美兼容 scikit-learn API，团队可直接复用原有的 `fit` 和 `predict` 代码结构，无缝集成到现有流水线中。\n- 支持回归、分类及排名（BPR）多种任务模式，可根据具体业务场景灵活切换求解器，快速验证不同优化目标的效果。\n\nfastFM 通过高性能的底层实现与标准的接口设计，让复杂的因子分解模型变得易于落地，大幅降低了高精度推荐系统的构建门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fibayer_fastFM_45cbed2e.png","ibayer",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fibayer_d6a494c7.png","Berlin","https:\u002F\u002Fgithub.com\u002Fibayer",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",98.4,{"name":86,"color":87,"percentage":88},"Shell","#89e051",1.3,{"name":90,"color":91,"percentage":92},"Makefile","#427819",0.3,1089,204,"2026-04-01T07:25:49","NOASSERTION",4,"Linux, macOS","未说明",{"notes":101,"python":102,"dependencies":103},"仅支持 64 位系统，且 Python 位数必须与操作系统一致（例如 64 位 OS 需搭配 64 位 Python）。核心性能代码由 C 编写并通过 Cython 封装。在 Linux 上安装源码前需预先安装 python-dev 和 BLAS 库（如 libopenblas-dev 或 libatlas-base-dev）。Windows 系统未获主动支持。","2.7, 3.x",[104,105,106,107,108],"Cython>=0.22","numpy","pandas","scipy","scikit-learn",[13],[111,112,113,114],"machine-learning","recommender-system","factorization-machines","matrix-factorization","2026-03-27T02:49:30.150509","2026-04-06T09:46:10.781721",[118,123,128,133,138,142],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},14241,"如何在 macOS (OS X) 上顺利安装 FastFM？","项目已移除所有外部依赖并启用了 Travis CI 以确保 OSX 构建正常工作。用户无需再手动安装 gcc、gsl 等复杂依赖。请直接查看更新后的 README 文件，按照最新说明进行安装即可。此前在 El Capitan 等系统上报错的链接问题（如找不到 -lfastfm）已通过此更新解决。","https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM\u002Fissues\u002F13",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},14242,"在 CentOS、RHEL 或 Linux 上安装时遇到 'library not found' 或 BLAS 库链接错误怎么办？","这通常是因为 NumPy 使用的 BLAS 库无法被动态加载或链接器找不到路径。解决方案是找到系统中的 libblas.so 文件（通常位于 \u002Fusr\u002Flib64 ），并确保其可以被链接器访问。可以参考 StackOverflow 上关于 \"how-to-make-sure-the-numpy-blas-libraries-are-available-as-dynamically-loadable\" 的讨论，尝试创建符号链接或将库文件复制到适当位置，以解决 symlink 问题。","https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM\u002Fissues\u002F20",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},14243,"运行 nosetests 测试时出现 'ImportError: No module named fastFM' 错误如何解决？","该错误通常是因为测试脚本无法找到已安装的 fastFM 模块。请确保你是在正确的 Python 环境中执行的命令。如果你使用了 sudo pip install -e . 进行开发模式安装，尝试在不加 sudo 的情况下运行 nosetests，或者检查 PYTHONPATH 环境变量是否包含了安装路径。此外，确认当前激活的 Python 版本（python2.7 或 python3）与安装 fastFM 时的版本一致。","https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM\u002Fissues\u002F10",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},14244,"MCMC 算法中 n_more_iter 参数对模型性能有什么影响？","MCMC 对 fit_predict 调用之间的迭代次数非常敏感。实验表明，设置较小的 n_more_iter（如 1）可能导致 RMSE 在早期达到最优后迅速恶化（过拟合或采样不足）；而设置较大的 n_more_iter（如 10）则能让 RMSE 持续下降并保持更优结果。虽然文档提到支持 warm_start 以高效计算统计量，但在实际使用中需仔细调整迭代步数以获得最佳泛化性能，避免在少量额外迭代后模型性能衰退。","https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM\u002Fissues\u002F37",{"id":139,"question_zh":140,"answer_zh":141,"source_url":122},14245,"安装过程中出现 'ld: warning: directory not found' 警告且最终链接失败是什么原因？","这通常是因为构建脚本中硬编码了某些库的路径（如 -LfastFM-core\u002Fbin\u002F 或 -L\u002Fusr\u002Flib\u002Fatlas-base\u002F），而这些路径在你的系统中不存在。在旧版本中，这需要用户手动安装缺失的依赖库。但在新版本中，维护者已移除了这些外部依赖，因此如果遇到此错误，请务必先拉取最新代码并查看更新后的 README，不要沿用旧的安装指令。",{"id":143,"question_zh":144,"answer_zh":145,"source_url":137},14246,"Python 3.5 在 macOS 上的轮子包（wheel）是否可用？","是的，OSX Python 3.5 的 wheel 包已经修复并可用。初步测试表明，热启动（hot）、温启动（warm）和冷启动（cold）模式下的表现一致且正常。如果在安装后发现文件名与 GitHub 上的版本标签不完全匹配，这属于轻微问题，不影响功能使用。",[147,152,157,162,167,172,177,182,187,191],{"id":148,"version":149,"summary_zh":150,"released_at":151},80963,"0.2.11","本次发布为我们的 Travis CI 添加了构建可在多种 Linux 发行版上运行的二进制包（wheel）的功能。这将极大便利那些在使用源码方式安装 fastFM 时遇到问题的用户。\n\n特别感谢：\n\n- @zouzias 指导我们关注 manylinux 项目；\n- @chittti 编写了基于 manylinux 的构建脚本；\n- @chezou 将该构建脚本集成到我们的 Travis CI 配置中。","2017-11-22T16:13:16",{"id":153,"version":154,"summary_zh":155,"released_at":156},80964,"0.2.10","本次发布再次包含了来自社区的多项贡献 :smile: 。\n\n* 默认的 BLAS 版本已从 cblas 更改为 OpenBLAS（感谢 @iramykytyn），\n* Python 3.6 的支持得到了改进（感谢 @chezou），\n* ALS 分类中新增了热启动功能（感谢 @lucidfrontier45），并且\n* 还合并了 NumPy（感谢 @mkdy）和 scikit-learn API 方面的变更（感谢 @takuti）。","2017-10-30T21:06:42",{"id":158,"version":159,"summary_zh":160,"released_at":161},80965,"0.2.9","此版本修复了 Ubuntu 16.04 以及其他 pip 版本大于 7.0 的系统上的 pip 安装问题 #82。","2017-01-17T01:31:42",{"id":163,"version":164,"summary_zh":165,"released_at":166},80966,"0.2.6","本次发布修复了一个导致 BPR 求解器出现段错误的 bug。\n该 bug 由 @felixmaximilian 在 #61 中报告，并通过 https:\u002F\u002Fgithub.com\u002Fibayer\u002FfastFM-core\u002Fpull\u002F13 得到修复。\n\n此外，本次发布还通过修复大量代码风格违规问题进一步提升了代码质量（感谢 @takuti）。\n\n``` diff\n-  fastFM 已被接受为 JMLR 开源软件赛道的贡献项目。\n```\n\n[JMLR 开源软件赛道](http:\u002F\u002Fwww.jmlr.org\u002Fmloss\u002F)\n","2016-10-13T08:54:55",{"id":168,"version":169,"summary_zh":170,"released_at":171},80967,"0.2.5","fastFM 现在支持已安装的任何 BLAS 版本（推荐使用 OpenBLAS）。\n","2016-05-25T08:15:23",{"id":173,"version":174,"summary_zh":175,"released_at":176},80968,"v0.2.4","此小版本更新了 fastFM-core 子模块，其中包含对 #37 问题的修复。\n此前，在每次启动 MCMC 链时都会使用相同的随机数生成器种子，这会导致在热启动（`n_more_iter` 参数）时链的混合效果较差。现在，通过为每次热启动使用新的随机种子，已修复该问题。\n","2016-02-14T20:20:06",{"id":178,"version":179,"summary_zh":180,"released_at":181},80969,"v0.2.3","Travis CI 现在会为每个新版本构建并上传 wheel 包。\n现在，我们可以在 Linux 和 macOS（仅 64 位）上使用 `pip install fastFM`。","2016-01-26T22:47:14",{"id":183,"version":184,"summary_zh":185,"released_at":186},80970,"v0.2.0","本次发布使 fastFM 兼容 Python 3，并大幅简化了在 macOS 和 Linux 上的构建流程。\n\n修复：当使用 rank=0 调用 ALS 求解器时，会导致内存错误。\n\n改进：\n- 添加 Travis CI 配置（由 takuti 贡献）\n- 兼容 Python 3（由 chezou 贡献）\n- 支持较旧版本的 scikit-learn（由 macks22 贡献）\n- Makefile 现在兼容 macOS（由 altimin 贡献）\n- 从库中移除 glib 和 argp 依赖。\n- 从库中移除最后一个 macOS 依赖项（cblas）（由 takuti 贡献）\n- 将 fastFM-core 更新至 v0.2.0\n","2016-01-16T19:54:46",{"id":188,"version":189,"summary_zh":76,"released_at":190},80971,"0.1.1","2015-07-09T05:32:51",{"id":192,"version":193,"summary_zh":76,"released_at":194},80972,"0.1.0","2015-02-17T15:36:13"]