Surprise（Simple Python Recommendation System Engine）是一款推薦系統庫，是scikit系列中的一個。簡單易用，同時支持多種推薦算法（基礎算法、協同過濾、矩陣分解等）。
設計surprise時考慮到以下目的：
讓用戶完美控制他們的實驗。為此，特別強調 文檔，試圖通過指出算法的每個細節盡可能清晰和准確。
減輕數據集處理的痛苦。用戶可以使用內置數據集（Movielens， Jester）和他們自己的自定義 數據集。
提供各種即用型預測算法， 例如基線算法， 鄰域方法，基於矩陣因子分解（ SVD， PMF， SVD ++，NMF）等等。此外， 內置了各種相似性度量（余弦，MSD，皮爾遜......）。
可以輕松實現新的算法思路。
提供評估， 分析 和 比較 算法性能的工具。使用強大的CV迭代器（受scikit-learn優秀工具啟發）以及 對一組參數的詳盡搜索，可以非常輕松地運行交叉驗證程序 。
基本算法
| 算法類名 | 說明 |
|---|---|
| random_pred.NormalPredictor | 根據訓練集的分布特征隨機給出一個預測值 |
| baseline_only.BaselineOnly | 給定用戶和Item，給出基於baseline的估計值 |
| knns.KNNBasic | 最基礎的協同過濾 |
| knns.KNNWithMeans | 將每個用戶評分的均值考慮在內的協同過濾實現 |
| knns.KNNBaseline | 考慮基線評級的協同過濾 |
| matrix_factorization.SVD | SVD實現 |
| matrix_factorization.SVDpp | SVD++，即LFM+SVD |
| matrix_factorization.NMF | 基於矩陣分解的協同過濾 |
| slope_one.SlopeOne | 一個簡單但精確的協同過濾算法 |
| co_clustering.CoClustering | 基於協同聚類的協同過濾算法 |
其中基於近鄰的方法(協同過濾)可以設定不同的度量准則
| 相似度度量標准 | 度量標准說明 |
|---|---|
| cosine | 計算所有用戶（或物品）對之間的余弦相似度。 |
| msd | 計算所有用戶（或物品）對之間的均方差異相似度。 |
| pearson | 計算所有用戶（或物品）對之間的Pearson相關系數。 |
| pearson_baseline | 計算所有用戶（或物品）對之間的（縮小的）Pearson相關系數，使用基線進行居中而不是平均值。 |
支持不同的評估准則
| 評估准則 | 准則說明 |
|---|---|
| rmse | 計算RMSE（均方根誤差）。 |
| mae | 計算MAE（平均絕對誤差）。 |
| fcp | 計算FCP（協調對的分數）。 |
biasSVD算法
使用Surprise工具中的SVD
參數:
n_factors: k值，默認為100
n_epochs：迭代次數，默認為20
biased：是否使用biasSVD，默認為True
verbose:輸出當前epoch，默認為False
reg_all:所有正則化項的統一參數，默認為0.02
reg_bu：bu的正則化參數，reg_bi：bi的正則化參數
reg_pu：pu的正則化參數，reg_qi：qi的正則化參數
funkSVD算法
使用Surprise工具中的SVD
參數:
n_factors: k值，默認為100
n_epochs：迭代次數，默認為20
biased：是否使用biasSVD，設置為False
verbose:輸出當前epoch，默認為False
reg_all:所有正則化項的統一參數，默認為0.02
reg_bu：bu的正則化參數，reg_bi：bi的正則化參數
reg_pu：pu的正則化參數，reg_qi：qi的正則化參數
SVD++算法
使用Surprise工具中的SVDpp
參數:
n_factors: k值，默認為20
n_epochs：迭代次數，默認為20
verbose:輸出當前epoch，默認為False
reg_all:所有正則化項的統一參數，默認為0.02
reg_bu：bu的正則化參數，reg_bi：bi的正則化參數
reg_pu：pu的正則化參數，reg_qi：qi的正則化參數
reg_yj：yj的正則化參數
利用surprise工具預測movielens簡單數據集(SVD,biasSVD,SVD++)
from surprise import Dataset
from surprise import Reader
from surprise import BaselineOnly, KNNBasic, NormalPredictor
from surprise import accuracy
from surprise.model_selection import KFold, split
from surprise import SVD,SVDpp
#import pandas as pd
# 數據讀取
reader = Reader(line_format='user item rating timestamp', sep=',', skip_lines=1)
data = Dataset.load_from_file('./ratings.csv', reader=reader)
#rain_set = data.build_full_trainset()
train_s,test_s = split.train_test_split(data, train_size=0.8)
algo1 = SVD()
algo2 = SVD(biased = False)
algo3 = SVDpp()
print('SVDbias結果')
algo1.fit(train_s)
pre = algo1.test(test_s)
accuracy.rmse(pre,verbose=True)
print('SVD結果')
algo2.fit(train_s)
pre = algo2.test(test_s)
accuracy.rmse(pre,verbose=True)
print('SVD++結果')
algo3.fit(train_s)
pre = algo3.test(test_s)
accuracy.rmse(pre,verbose=True)
示例代碼：
鏈接：https://pan.baidu.com/s/1JY7d6xiFc8jgTQZpEQJ_Ng
提取碼：q6x5