punktem odniesienia jest dla kraba (http://www.slideshare.net/marcelcaraciolo/crab-a-python-framework-for-building-recommender-systems strona-37)krab: dlaczego użytkownik krab UserBasedRecommender jest taki wolny?
Benchmarks Pure Python w/ Python w/ Scipy Dataset dicts and NumpyMovieLens 100k 15.32 s 9.56 s http://www.grouplens.org/node/73 Old Crab New Crab
Jednak moim sprawa, muszę zająć więcej niż 30 minut, aby to zrobić, nie wiem powód
mój kod jest
model = MatrixPreferenceDataModel(recommend_data.data)
similarity = UserSimilarity(model, pearson_correlation)
recommender = UserBasedRecommender(model, similarity, with_preference=True)
recommender.recommend("6")
moje dane są NumpyMovieLens 100k, który zawiera ocen 100.000 z 1000 na 1700 użytkowników kino.
Więc znasz lepiej python UserBasedRecommender lib? – Tinyfool
@ Tinyfool: nie, ale możliwe jest zhakowanie rzadkiej macierzy w Crab. Scipy ma rzadkie SVD ('scipy.sparse.linalg.svds'); scikit-learn ma k-NN z pewnym wsparciem dla rzadkich macierzy. –