[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-lyst--lightfm":3,"tool-lyst--lightfm":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",157379,2,"2026-04-15T23:32:42",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":32,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":107,"github_topics":108,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":152},8052,"lyst\u002Flightfm","lightfm","A Python implementation of LightFM, a hybrid recommendation algorithm.","LightFM 是一个基于 Python 开发的混合推荐算法库，旨在帮助开发者高效构建高质量的个性化推荐系统。它主要解决了传统推荐模型难以应对“冷启动”问题的痛点——即当新用户或新物品缺乏历史交互数据时，系统无法给出准确建议。\n\n与传统矩阵分解方法不同，LightFM 的独特亮点在于能够灵活融合用户和物品的元数据（如年龄、类别、标签等特征）。它将每个用户和物品表示为其特征潜在向量的总和，从而使模型不仅能利用历史行为数据，还能通过特征信息将推荐能力泛化到全新的用户和物品上。此外，LightFM 原生支持隐式和显式反馈数据，并提供了 BPR 和 WARP 等高效的排序损失函数实现，结合多线程训练技术，确保了模型在大规模数据下的训练速度与精度。\n\n这款工具非常适合从事数据挖掘的工程师、算法研究人员以及需要快速落地推荐功能的产品团队使用。无论是处理电商商品推荐、新闻内容分发，还是解决初创平台的数据稀疏难题，LightFM 都提供了简洁易用的 API 和详尽的文档，让用户能通过几行代码即可完成从数据加载、模型训练到效果评估的全流程，是构建现代推荐系统的得力助手。","# LightFM\n\n![LightFM logo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flyst_lightfm_readme_19026fe2e5a6.png)\n\n| Build status | |\n|---|---|\n| Linux |[![Circle CI](https:\u002F\u002Fcircleci.com\u002Fgh\u002Flyst\u002Flightfm.svg?style=svg)](https:\u002F\u002Fcircleci.com\u002Fgh\u002Flyst\u002Flightfm)|\n| OSX (OpenMP disabled)|[![Travis CI](https:\u002F\u002Ftravis-ci.org\u002Flyst\u002Flightfm.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Flyst\u002Flightfm)|\n| Windows (OpenMP disabled) |[![Appveyor](https:\u002F\u002Fci.appveyor.com\u002Fapi\u002Fprojects\u002Fstatus\u002F6cqpqb6969i1h4p7\u002Fbranch\u002Fmaster?svg=true)](https:\u002F\u002Fci.appveyor.com\u002Fproject\u002Fmaciejkula\u002Flightfm\u002Fbranch\u002Fmaster)|\n\n[![Gitter chat](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flyst_lightfm_readme_ec39039bf0d7.png)](https:\u002F\u002Fgitter.im\u002Flightfm-rec\u002FLobby) [![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Flightfm.svg)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Flightfm\u002F)\n[![Anaconda-Server Badge](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Flightfm\u002Fbadges\u002Fversion.svg)](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Flightfm)\n\nLightFM is a Python implementation of a number of popular recommendation algorithms for both implicit and explicit feedback, including efficient implementation of BPR and WARP ranking losses. It's easy to use, fast (via multithreaded model estimation), and produces high quality results.\n\nIt also makes it possible to incorporate both item and user metadata into the traditional matrix factorization algorithms. It represents each user and item as the sum of the latent representations of their features, thus allowing recommendations to generalise to new items (via item features) and to new users (via user features).\n\nFor more details, see the [Documentation](http:\u002F\u002Flyst.github.io\u002Flightfm\u002Fdocs\u002Fhome.html).\n\nNeed help? Contact me via [email](mailto:lightfm@zoho.com), [Twitter](https:\u002F\u002Ftwitter.com\u002FMaciej_Kula), or [Gitter](https:\u002F\u002Fgitter.im\u002Flightfm-rec\u002FLobby).\n\n## Installation\nInstall from `pip`:\n```\npip install lightfm\n```\nor Conda:\n```\nconda install -c conda-forge lightfm\n```\n\n## Quickstart\nFitting an implicit feedback model on the MovieLens 100k dataset is very easy:\n```python\nfrom lightfm import LightFM\nfrom lightfm.datasets import fetch_movielens\nfrom lightfm.evaluation import precision_at_k\n\n# Load the MovieLens 100k dataset. Only five\n# star ratings are treated as positive.\ndata = fetch_movielens(min_rating=5.0)\n\n# Instantiate and train the model\nmodel = LightFM(loss='warp')\nmodel.fit(data['train'], epochs=30, num_threads=2)\n\n# Evaluate the trained model\ntest_precision = precision_at_k(model, data['test'], k=5).mean()\n```\n\n## Articles and tutorials on using LightFM\n1. [Learning to Rank Sketchfab Models with LightFM](http:\u002F\u002Fblog.ethanrosenthal.com\u002F2016\u002F11\u002F07\u002Fimplicit-mf-part-2\u002F)\n2. [Metadata Embeddings for User and Item Cold-start Recommendations](http:\u002F\u002Fbuilding-babylon.net\u002F2016\u002F01\u002F26\u002Fmetadata-embeddings-for-user-and-item-cold-start-recommendations\u002F)\n3. [Recommendation Systems - Learn Python for Data Science](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=9gBC9R-msAk)\n4. [Using LightFM to Recommend Projects to Consultants](https:\u002F\u002Fmedium.com\u002Fproduct-at-catalant-technologies\u002Fusing-lightfm-to-recommend-projects-to-consultants-44084df7321c#.gu887ky51)\n\n## How to cite\nPlease cite LightFM if it helps your research. You can use the following BibTeX entry:\n```\n@inproceedings{DBLP:conf\u002Frecsys\u002FKula15,\n  author    = {Maciej Kula},\n  editor    = {Toine Bogers and\n               Marijn Koolen},\n  title     = {Metadata Embeddings for User and Item Cold-start Recommendations},\n  booktitle = {Proceedings of the 2nd Workshop on New Trends on Content-Based Recommender\n               Systems co-located with 9th {ACM} Conference on Recommender Systems\n               (RecSys 2015), Vienna, Austria, September 16-20, 2015.},\n  series    = {{CEUR} Workshop Proceedings},\n  volume    = {1448},\n  pages     = {14--21},\n  publisher = {CEUR-WS.org},\n  year      = {2015},\n  url       = {http:\u002F\u002Fceur-ws.org\u002FVol-1448\u002Fpaper4.pdf},\n}\n```\n\n## Development\nPull requests are welcome. To install for development:\n\n1. Clone the repository: `git clone git@github.com:lyst\u002Flightfm.git`\n2. Setup a virtual environment: `cd lightfm && python3 -m venv venv && source .\u002Fvenv\u002Fbin\u002Factivate`\n3. Install it for development using pip: `pip install -e . && pip install -r test-requirements.txt`\n4. You can run tests by running `.\u002Fvenv\u002Fbin\u002Fpy.test tests`.\n5. LightFM uses [black](https:\u002F\u002Fgithub.com\u002Fambv\u002Fblack) to enforce code formatting and flake8 for linting, see `lint-requirements.txt`.\n6. [Optional]: You can install pre-commit to locally enfore formatting and linting. Install with:\n    ```bash\n    pip install pre-commit\n    pre-commit install\n    ```\n\nWhen making changes to the `.pyx` extension files, you'll need to run `python setup.py cythonize` in order to produce the extension `.c` files before running `pip install -e .`.\n","# LightFM\n\n![LightFM logo](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flyst_lightfm_readme_19026fe2e5a6.png)\n\n| 构建状态 | |\n|---|---|\n| Linux |[![Circle CI](https:\u002F\u002Fcircleci.com\u002Fgh\u002Flyst\u002Flightfm.svg?style=svg)](https:\u002F\u002Fcircleci.com\u002Fgh\u002Flyst\u002Flightfm)|\n| OSX (OpenMP已禁用)|[![Travis CI](https:\u002F\u002Ftravis-ci.org\u002Flyst\u002Flightfm.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Flyst\u002Flightfm)|\n| Windows (OpenMP已禁用) |[![Appveyor](https:\u002F\u002Fci.appveyor.com\u002Fapi\u002Fprojects\u002Fstatus\u002F6cqpqb6969i1h4p7\u002Fbranch\u002Fmaster?svg=true)](https:\u002F\u002Fci.appveyor.com\u002Fproject\u002Fmaciejkula\u002Flightfm\u002Fbranch\u002Fmaster)|\n\n[![Gitter聊天](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flyst_lightfm_readme_ec39039bf0d7.png)](https:\u002F\u002Fgitter.im\u002Flightfm-rec\u002FLobby) [![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Flightfm.svg)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Flightfm\u002F)\n[![Anaconda-Server Badge](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Flightfm\u002Fbadges\u002Fversion.svg)](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Flightfm)\n\nLightFM 是一种 Python 实现，支持多种流行的推荐算法，适用于隐式和显式反馈场景，包括高效的 BPR 和 WARP 排序损失的实现。它易于使用、速度快（通过多线程模型估计）且能产生高质量的推荐结果。\n\n此外，LightFM 还允许将物品和用户的元数据整合到传统的矩阵分解算法中。它将每个用户和物品表示为其特征潜在表示的加权和，从而使得推荐能够泛化到新物品（通过物品特征）和新用户（通过用户特征）。\n\n更多详细信息，请参阅 [文档](http:\u002F\u002Flyst.github.io\u002Flightfm\u002Fdocs\u002Fhome.html)。\n\n需要帮助？请通过 [电子邮件](mailto:lightfm@zoho.com)、[Twitter](https:\u002F\u002Ftwitter.com\u002FMaciej_Kula) 或 [Gitter](https:\u002F\u002Fgitter.im\u002Flightfm-rec\u002FLobby) 联系我。\n\n## 安装\n使用 `pip` 安装：\n```\npip install lightfm\n```\n或使用 Conda：\n```\nconda install -c conda-forge lightfm\n```\n\n## 快速入门\n在 MovieLens 100k 数据集上拟合一个隐式反馈模型非常简单：\n```python\nfrom lightfm import LightFM\nfrom lightfm.datasets import fetch_movielens\nfrom lightfm.evaluation import precision_at_k\n\n# 加载 MovieLens 100k 数据集。仅将五星评分视为正例。\ndata = fetch_movielens(min_rating=5.0)\n\n# 实例化并训练模型\nmodel = LightFM(loss='warp')\nmodel.fit(data['train'], epochs=30, num_threads=2)\n\n# 评估训练好的模型\ntest_precision = precision_at_k(model, data['test'], k=5).mean()\n```\n\n## 关于 LightFM 的文章和教程\n1. [使用 LightFM 对 Sketchfab 模型进行排序学习](http:\u002F\u002Fblog.ethanrosenthal.com\u002F2016\u002F11\u002F07\u002Fimplicit-mf-part-2\u002F)\n2. [用于用户和物品冷启动推荐的元数据嵌入](http:\u002F\u002Fbuilding-babylon.net\u002F2016\u002F01\u002F26\u002Fmetadata-embeddings-for-user-and-item-cold-start-recommendations\u002F)\n3. [推荐系统——学习 Python 进行数据科学](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=9gBC9R-msAk)\n4. [使用 LightFM 向顾问推荐项目](https:\u002F\u002Fmedium.com\u002Fproduct-at-catalant-technologies\u002Fusing-lightfm-to-recommend-projects-to-consultants-44084df7321c#.gu887ky51)\n\n## 如何引用\n如果您在研究中使用了 LightFM，请引用它。您可以使用以下 BibTeX 条目：\n```\n@inproceedings{DBLP:conf\u002Frecsys\u002FKula15,\n  author    = {Maciej Kula},\n  editor    = {Toine Bogers and\n               Marijn Koolen},\n  title     = {Metadata Embeddings for User and Item Cold-start Recommendations},\n  booktitle = {Proceedings of the 2nd Workshop on New Trends on Content-Based Recommender\n               Systems co-located with 9th {ACM} Conference on Recommender Systems\n               (RecSys 2015), Vienna, Austria, September 16-20, 2015.},\n  series    = {{CEUR} Workshop Proceedings},\n  volume    = {1448},\n  pages     = {14--21},\n  publisher = {CEUR-WS.org},\n  year      = {2015},\n  url       = {http:\u002F\u002Fceur-ws.org\u002FVol-1448\u002Fpaper4.pdf},\n}\n```\n\n## 开发\n欢迎提交 Pull 请求。要进行开发环境的安装：\n\n1. 克隆仓库：`git clone git@github.com:lyst\u002Flightfm.git`\n2. 设置虚拟环境：`cd lightfm && python3 -m venv venv && source .\u002Fvenv\u002Fbin\u002Factivate`\n3. 使用 pip 安装开发依赖：`pip install -e . && pip install -r test-requirements.txt`\n4. 可以通过运行 `.\u002Fvenv\u002Fbin\u002Fpy.test tests` 来执行测试。\n5. LightFM 使用 [black](https:\u002F\u002Fgithub.com\u002Fambv\u002Fblack) 来强制代码格式化，并使用 flake8 进行代码检查，具体可参考 `lint-requirements.txt`。\n6. [可选]：您也可以安装 pre-commit 工具，在本地强制执行代码格式化和检查。安装方法如下：\n    ```bash\n    pip install pre-commit\n    pre-commit install\n    ```\n\n当修改 `.pyx` 扩展文件时，需要先运行 `python setup.py cythonize` 以生成扩展的 `.c` 文件，然后再运行 `pip install -e .`。","# LightFM 快速上手指南\n\nLightFM 是一个高效的 Python 推荐系统库，支持隐式和显式反馈。它实现了 BPR 和 WARP 等流行算法，并独特地支持将用户和物品的元数据（特征）融入矩阵分解中，有效解决冷启动问题。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **Python 版本**：推荐 Python 3.6+\n*   **前置依赖**：\n    *   `numpy`\n    *   `scipy`\n    *   `Cython` (开发或从源码安装时需要)\n    *   `scikit-learn`\n*   **编译工具**：Windows 用户需安装 Microsoft C++ Build Tools；Linux\u002FmacOS 通常需安装 `gcc` 或 `clang`。\n\n> **注意**：LightFM 包含 Cython 扩展，建议直接使用预编译包安装以避免编译错误。\n\n## 安装步骤\n\n推荐使用国内镜像源加速安装。\n\n### 方式一：使用 pip 安装（推荐）\n\n```bash\npip install lightfm -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：使用 Conda 安装\n\n如果你使用 Anaconda 或 Miniconda：\n\n```bash\nconda install -c conda-forge lightfm\n```\n\n## 基本使用\n\n以下示例演示如何使用 LightFM 在 MovieLens 数据集上训练一个基于隐式反馈的模型，并评估其准确率。\n\n```python\nfrom lightfm import LightFM\nfrom lightfm.datasets import fetch_movielens\nfrom lightfm.evaluation import precision_at_k\n\n# 1. 加载数据\n# 加载 MovieLens 100k 数据集，仅将 5 星评分视为正反馈\ndata = fetch_movielens(min_rating=5.0)\n\n# 2. 初始化并训练模型\n# 使用 'warp' 损失函数，训练 30 个 epoch，开启 2 个线程加速\nmodel = LightFM(loss='warp')\nmodel.fit(data['train'], epochs=30, num_threads=2)\n\n# 3. 评估模型\n# 计算前 5 个推荐结果的精确率 (Precision@K)\ntest_precision = precision_at_k(model, data['test'], k=5).mean()\n\nprint(f\"Precision@5: {test_precision}\")\n```\n\n### 核心功能提示\n*   **损失函数选择**：`loss` 参数可选 `'bpr'` (贝叶斯个性化排序), `'warp'` (加权近似排名对), `'logistic'` 等。对于隐式反馈，`'warp'` 通常效果最佳。\n*   **利用元数据**：LightFM 的核心优势在于支持 `item_features` 和 `user_features` 稀疏矩阵。在调用 `fit` 或 `predict` 时传入这些特征矩阵，即可让模型学习物品和用户的属性表示，从而推荐给新用户或新物品。","某中型在线时尚电商平台的数据团队正致力于提升首页“猜你喜欢”模块的转化率，特别是解决新上架商品和新注册用户无法获得精准推荐的问题。\n\n### 没有 lightfm 时\n- **冷启动困境严重**：对于缺乏历史交互数据的新用户或新商品，传统协同过滤算法完全失效，只能机械地推荐热门榜单，导致点击率极低。\n- **信息利用不充分**：商品的材质、风格标签以及用户的年龄、地域等丰富元数据被闲置，无法融入推荐模型中辅助决策。\n- **开发迭代缓慢**：团队需手动拼接多种开源库来实现混合推荐逻辑，代码复杂且难以维护，每次调整特征都要重写大量底层代码。\n- **训练效率低下**：面对百万级用户和商品矩阵，单线程建模耗时过长，无法满足每日多次更新模型以捕捉实时趋势的需求。\n\n### 使用 lightfm 后\n- **完美破解冷启动**：lightfm 通过将用户和商品表示为特征潜向量的总和，即使没有交互记录，也能依据元数据（如“新上衣”或\"95 后用户”）生成高质量推荐。\n- **深度融合元数据**：轻松将商品描述文本和用户画像转化为特征矩阵输入模型，显著提升了长尾商品和新品的曝光准确度。\n- **实现快速原型开发**：借助其简洁的 Python API，数据工程师仅需几行代码即可构建并训练包含隐式反馈的混合模型，大幅缩短实验周期。\n- **高性能多线程训练**：利用 lightfm 内置的多线程优化，模型训练速度提升数倍，支持团队每天频繁重训模型以响应用户最新行为。\n\nlightfm 的核心价值在于它用极简的代码实现了基于元数据的混合推荐，让冷启动问题不再是业务增长的瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flyst_lightfm_c6e82790.png","lyst","Lyst","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flyst_f621f1e7.png","Your World of Fashion",null,"code@lyst.com","https:\u002F\u002Fwww.lyst.com","https:\u002F\u002Fgithub.com\u002Flyst",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",99.1,{"name":86,"color":87,"percentage":88},"Makefile","#427819",0.6,{"name":90,"color":91,"percentage":92},"Dockerfile","#384d54",0.3,5076,727,"2026-04-15T21:13:20","Apache-2.0","Linux, macOS, Windows","未说明",{"notes":100,"python":101,"dependencies":102},"支持通过多线程加速模型训练（num_threads 参数）。在 macOS 和 Windows 上构建时 OpenMP 可能被禁用。若修改了 .pyx 扩展文件，需先运行 'python setup.py cythonize' 生成 C 文件后再安装。开发环境建议使用 black 进行代码格式化，flake8 进行代码检查。","3+",[103,104,105,106],"numpy","scipy","Cython","requests",[14],[109,110,111,112,113,114],"machine-learning","recommender","python","matrix-factorization","learning-to-rank","recommender-system","2026-03-27T02:49:30.150509","2026-04-16T15:58:29.740763",[118,123,128,133,138,142,147],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},36051,"如何在 Windows 或特定环境下成功安装 LightFM？","如果在直接使用 pip 安装时遇到问题，可以尝试以下方法：\n1. 使用 Conda 安装（推荐）：先安装 Anaconda，然后运行命令 `conda install -c conda-forge lightfm`。\n2. 如果使用 pip，尝试升级并忽略已安装的 scipy：`pip install lightfm --upgrade --ignore-installed scipy`。\n3. 确保环境中已正确安装 numpy 和 scipy 等依赖项。","https:\u002F\u002Fgithub.com\u002Flyst\u002Flightfm\u002Fissues\u002F139",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},36052,"当物品特征（item_features）包含多个值（如多种类型）时，如何构建映射？","对于包含多个值的特征（例如电影类型 'Action|Fantasy|Comedy'），你需要将该实体的所有特征合并为一个单独的列表传递给 `dataset.fit_partial`。不要试图为每个值单独创建映射，而是将它们作为一个整体列表处理。","https:\u002F\u002Fgithub.com\u002Flyst\u002Flightfm\u002Fissues\u002F330",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},36053,"训练过程中出现 NaN 嵌入或报错 'Not all estimated parameters are finite' 如何解决？","这通常表示模型发散。解决方法包括：\n1. 尝试显著降低学习率（learning_rate），例如尝试 0.05, 0.01, 0.001 甚至更小。\n2. 检查是否仅在添加 item_features 时出现该问题，如果是，请检查特征数据的稀疏性或数值范围。\n3. 确保输入数据中没有异常值或错误的格式。如果问题依旧，可能需要重新审视数据预处理步骤。","https:\u002F\u002Fgithub.com\u002Flyst\u002Flightfm\u002Fissues\u002F130",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},36054,"如何使用新数据更新已训练好的模型？需要重新训练吗？","不需要完全重新训练。你可以使用 `fit_partial` 方法来增量更新模型。例如：`model.fit_partial(updated_interaction, updated_user_features, item_features)`。这允许你在已有模型基础上融入新的交互数据或用户特征。","https:\u002F\u002Fgithub.com\u002Flyst\u002Flightfm\u002Fissues\u002F317",{"id":139,"question_zh":140,"answer_zh":141,"source_url":137},36055,"为什么开启多线程（num_threads > 1）后，推荐结果与单线程不同？","这是预期行为。LightFM 在并行模式下使用的是 Hogwild! 算法，该算法为了提升速度牺牲了确定性。因此，使用不同数量的线程（或不同次运行）产生的结果会有细微差异，但这并不代表设置错误，而是并行随机梯度下降的特性。",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},36056,"参数优化时 Precision@K 指标始终不变是什么原因？","这可能是由于旧版本（如 1.11 及之前）中存在正则化相关的 Bug 导致的。该问题已在 1.12 版本中修复。如果你遇到此情况，请升级到最新版本并重新计算参数优化结果。","https:\u002F\u002Fgithub.com\u002Flyst\u002Flightfm\u002Fissues\u002F148",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},36057,"预测时出现 'Segmentation fault (core dump)' 错误怎么办？","虽然这有时是由用户数据错误引起的，但库本身不应导致段错误。请检查：\n1. 输入预测的矩阵维度是否与训练时一致。\n2. 是否在使用 WARP loss 时传入了非法的索引或空数据。\n3. 尝试升级 LightFM 到最新版本，因为早期的段错误问题可能已被修复。如果问题持续，请提供可复现的最小代码示例以便排查。","https:\u002F\u002Fgithub.com\u002Flyst\u002Flightfm\u002Fissues\u002F254",[153,158,163,168,173,178,183,187,191],{"id":154,"version":155,"summary_zh":156,"released_at":157},288843,"1.17","### 修复\r\n\r\n- 对 Cython 文件重新进行 Cython 化，以修复与较新编译器相关的编译错误。\r\n- 修复了测试中 `np.object` 的用法。","2023-03-20T04:08:46",{"id":159,"version":160,"summary_zh":161,"released_at":162},288844,"1.16","### 新增\n- 在构建 LightFM 时设置 `LIGHTFM_NO_CFLAGS` 环境变量，以防止其设置 `-ffast-math` 或 `-march=native` 编译器标志。\n\n### 变更\n- `predict` 现在返回 float32 类型的预测值。","2020-11-27T19:48:30",{"id":164,"version":165,"summary_zh":166,"released_at":167},288845,"1.15","### 新增\n- 在 `predict_ranks` 中添加了检查，确保测试集和训练集之间没有重叠（感谢 [@artdgn](https:\u002F\u002Fgithub.com\u002Fartdgn)）。\n- 添加了数据集构建功能。\n### 修复\n- 修复了当物品特征维度不正确时的错误信息。\n- 预测函数现在会检查输入是否会导致溢出。\n- 当可用于抽取负样本的物品数量非常少（小于 `max_sampled`）时，WARP 拟合过程现已具备数值稳定性。","2018-05-26T11:06:32",{"id":169,"version":170,"summary_zh":171,"released_at":172},288846,"1.14","### 新增\n- 为特征添加了针对非正常输入（NaN、无穷大）的额外输入检查\n- 为交互项添加了针对非正常输入（NaN、无穷大）的额外输入检查\n- 交叉验证模块，包含数据集划分工具\n### 变更\n- LightFM 模型现在会在提供的特征数量超过估计的特征嵌入数量时，抛出 ValueError 异常（而非断言）。\n- 当 MovieLens 数据下载损坏时，会发出警告并删除已下载的文件。这种情况在实际使用中会发生，但会严重混淆用户。","2017-11-18T12:37:49",{"id":174,"version":175,"summary_zh":176,"released_at":177},288847,"1.13","### 新增\n- 添加了 `get_{user\u002Fitem}_representations` 函数，便于从模型中提取潜在表示。\n### 修复\n- `recall_at_k` 和 `precision_at_k` 现在在 k=1 时也能正确工作（感谢 Zank Bennett）。\n- 将 MovieLens 数据移至数据发布目录，以避免 GroupLens 服务器不稳定影响用户。\n- 修复了尝试对未拟合的模型进行预测时发生的段错误。","2017-05-20T08:53:00",{"id":179,"version":180,"summary_zh":181,"released_at":182},288848,"1.12","### 变更\n- 排名现在以悲观方式计算：当两个条目并列时，会假设正类条目的排名更高。这会导致例如所有预测值均为零的模型的精确度得分为零。\n- 如果在拟合过程中，任何参数变为非有限值（NaN 或正\u002F负无穷），模型将抛出 `ValueError` 异常。\n- 在使用大量正则化时，新增了 epoch 中间的正则化项。这可以降低高正则化率下出现数值不稳定的概率。\n","2017-01-27T02:27:53",{"id":184,"version":185,"summary_zh":76,"released_at":186},288849,"1.11","2016-12-26T21:31:26",{"id":188,"version":189,"summary_zh":76,"released_at":190},288850,"1.10","2016-11-25T19:19:00",{"id":192,"version":193,"summary_zh":76,"released_at":194},288851,"1.9","2016-05-25T11:04:52"]