recotem

Recotem 是一个配方驱动的推荐系统框架，简化了推荐模型的训练和服务。它基于 irspack 构建，使用单个 YAML 配方文件定义整个流程：数据源、训练算法、超参数搜索和输出位置。`recotem train` 命令生成签名的二进制产物，而 `recotem serve` 运行一个 FastAPI 服务器，暴露如 `/v1/recipes/{name}:recommend` 和 `:recommend-related` 的端点，并在新产物出现时自动热切换。它不需要数据库或消息代理，使其轻量且易于部署。 主要功能包括： - **配方驱动配置**：一个 YAML 文件定义完整模型，从数据摄入到服务。 - **超参数优化**：使用 Optuna 在 irspack 算法中搜索。 - **特征感知 iALS**：支持物品/用户侧特征（分类、数值、多标签）以改进推荐。 - **冷启动支持**：可使用属性特征为未知用户或物品推荐。 - **可插拔数据源**：内置支持 CSV、Parquet、BigQuery 和 SQL（PostgreSQL、MySQL、SQLite），并通过 Python 入口点可扩展。 - **安全产物**：使用 HMAC 签名，支持多密钥轮换和确定性类允许列表，确保安全反序列化。 - **API 密钥认证**：可选 `X-API-Key` 头，密钥静态哈希存储。 - **灵活存储**：使用 fsspec 支持本地、S3、GCS、Azure 和 HTTPS 路径。 - **可观测性**：可选 Prometheus 指标和结构化 JSON 日志，带秘密脱敏。 该工具设计用于可复现性和操作简单性。训练作为批处理作业运行（例如 cron、Airflow、Kubernetes CronJob），服务是长期运行的进程，监视新产物并原子切换。这种分离允许训练和服务在不同机器上运行，仅通过产物文件通信。 通过 pip 安装，带有特定数据源的额外选项（例如 `recotem[bigquery]`、`recotem[s3]`）。ghcr.io 上提供多架构 Docker 镜像。项目要求 Python 3.12+，支持 glibc Linux（x86-64/arm64）、macOS（Apple Silicon）和 Windows（x86-64）。某些额外选项如 `bprfm` 平台支持较窄，可能需要从源码构建。 快速入门示例演示了从小型 CSV 训练 TopPop 推荐器，并通过 HTTP 提供推荐服务。文档站点（recotem.org）提供全面指南、API 参考和操作细节。