इस प्रोजेक्ट के बारे में

Recommenders, Linux Foundation of AI and Data के अंतर्गत एक ओपन-सोर्स परियोजना है जो अनुशंसा प्रणालियों के निर्माण के लिए उदाहरण और सर्वोत्तम अभ्यास प्रदान करती है, जो मुख्य रूप से Jupyter नोटबुक के रूप में वितरित की जाती है। इसका घोषित लक्ष्य शोधकर्ताओं, डेवलपर्स और उत्साही लोगों को शास्त्रीय और अत्याधुनिक अनुशंसा एल्गोरिदम का प्रोटोटाइप बनाने, प्रयोग करने और उत्पादन की ओर ले जाने में मदद करना है। सामग्री पाँच प्रमुख कार्यों के आसपास व्यवस्थित है: प्रत्येक एल्गोरिदम के लिए डेटा तैयार करना और लोड करना; शास्त्रीय और गहन शिक्षण दृष्टिकोणों के साथ मॉडल बनाना; ऑफ़लाइन मेट्रिक्स के साथ एल्गोरिदम का मूल्यांकन करना; हाइपरपैरामीटर ट्यूनिंग के माध्यम से मॉडल का चयन और अनुकूलन करना; और उत्पादन वातावरण में मॉडल का संचालन करना। recommenders पैकेज में सहायक उपयोगिताएँ सामान्य आवश्यकताओं को संभालती हैं जैसे एल्गोरिदम-विशिष्ट प्रारूपों में डेटासेट लोड करना, आउटपुट का मूल्यांकन करना और प्रशिक्षण/परीक्षण डेटा को विभाजित करना। रिपॉजिटरी एल्गोरिदम की एक विस्तृत सूची का दस्तावेजीकरण करती है, जिसमें सहयोगी फ़िल्टरिंग विधियाँ जैसे ALS, BPR, BiVAE, Caser, LightGCN, NCF, RBM, SAR, SASRec, SVD, Wide and Deep, xDeepFM और विभिन्न VAE प्रकार शामिल हैं, साथ ही सामग्री-आधारित दृष्टिकोण जैसे DKN, LightGBM, LSTUR, NAML, NPA, NRMS, TF-IDF और Vowpal Wabbit शामिल हैं। प्रत्येक प्रविष्टि क्विक-स्टार्ट या डीप-डाइव नोटबुक से लिंक करती है। एक बेंचमार्क नोटबुक रैंकिंग और रेटिंग मेट्रिक्स का उपयोग करके MovieLens 100k पर कई सहयोगी फ़िल्टरिंग एल्गोरिदम की तुलना करती है, जिसमें रिपोर्ट किए गए पैरामीटर सेटिंग्स और हार्डवेयर संदर्भ शामिल हैं। इंस्टॉलेशन मार्गदर्शन पर्यावरण प्रबंधन के लिए uv और विकास के लिए VS Code की सिफारिश करता है, साथ ही GPU, Spark, विकास और प्रयोगात्मक सुविधाओं के लिए वैकल्पिक अतिरिक्त शामिल हैं। परियोजना MIT लाइसेंस के अंतर्गत है, प्रकाशित दिशानिर्देशों और आचार संहिता के तहत योगदान का स्वागत करती है, और संबंधित पाठ्यक्रमों, पुस्तकों और शैक्षणिक पत्रों का हवाला देती है।