高级推荐系统实验平台

本项目实现并集成了多种经典与深度学习推荐算法，支持特征工程、自动降维、聚类、混合建模和可视化分析。可一键完成数据加载、模型训练、评估、保存与复现，适用于课程实验、学术研究和工程测试。

特性

• 支持算法丰富

  • 传统协同过滤（SVD、基于用户/物品的KNN、NMF、Baseline）
  • 多种深度学习推荐模型（NCF、MF、NeuMF、FM 及混合特征版本）

• 完备的实验流程

  • 数据加载与分析
  • 特征工程（统计+图特征）、自编码降维、聚类
  • 批量模型训练，交叉验证与测试集评估
  • 可视化与日志管理
  • 支持模型保存/加载、单用户预测与Top-K推荐

• 易用的命令行接口

  • 一键运行，参数化训练/测试/分析
  • 灵活指定模型、数据集、超参数和保存路径

---

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 训练模式

使用默认参数（全流程）

python main.py

指定模型和参数

python main.py --mode train --models ncf mf --epochs 30 --learning-rate 0.005

只使用传统算法（不启用深度学习）

python main.py --no-deep-learning

自定义数据集和参数

python main.py --dataset ml-1m --test-size 0.3 --batch-size 512 --embedding-dim 128

---

3. 测试模式（加载已训练模型）

python main.py --mode test --model-path models/saved/ncf_20241128_143022.pth

---

常用参数说明

参数	说明	示例
--mode	训练或测试模式，train 或 test	--mode train
--models	指定模型列表，空格分隔，如 ncf mf neumf fm	--models ncf mf
--no-deep-learning	只运行传统算法	--no-deep-learning
--dataset	数据集名称（如 ml-100k、ml-1m）	--dataset ml-1m
--test-size	测试集占比（0~1）	--test-size 0.3
--epochs	训练轮数	--epochs 30
--batch-size	批量大小	--batch-size 512
--embedding-dim	Embedding 维度	--embedding-dim 128
--learning-rate	学习率	--learning-rate 0.005
--autoencoder-hidden-dims	自编码器隐藏层维度列表，逗号分隔	--autoencoder-hidden-dims 128,64
--autoencoder-epochs	自编码器训练轮数	--autoencoder-epochs 20
--n-clusters	KMeans 聚类数	--n-clusters 10
--model-dir	模型保存目录	--model-dir models/saved
--model-path	测试时指定模型路径	--model-path models/saved/ncf_xxx.pth
--log-file	日志文件名	--log-file run.log
--log-level	日志等级（INFO/DEBUG/WARNING/ERROR）	--log-level INFO

---

结果输出与可视化

• 终端输出：各算法训练/测试集 RMSE、MAE，最佳模型信息等
• 日志文件：详细运行与异常日志
• 可视化报告：自动生成数据分布与算法性能对比图（如 PDF/PNG）

---

实验结果参考

传统算法（ml-100k）

算法	CV RMSE	CV MAE	Test RMSE	Test MAE
SVD	0.9361 ± 0.0055	0.7378 ± 0.0038	0.9348	0.7369
基于用户协同过滤	0.9564 ± 0.0030	0.7546 ± 0.0029	0.9538	0.7526
基于物品协同过滤	0.9438 ± 0.0049	0.7418 ± 0.0038	0.9402	0.7399
NMF	1.0289 ± 0.0037	0.7847 ± 0.0040	1.0284	0.7842
Baseline	0.9437 ± 0.0028	0.7481 ± 0.0016	0.9442	0.7490

深度学习算法（ml-1m）

算法类型	CV RMSE	CV MAE	Test RMSE	Test MAE
DeepLearning_NCF	0.9167	0.7141	0.9167	0.7141
DeepLearning_MF	1.2647	0.9560	1.2647	0.9560
DeepLearning_NEUMF	0.9131	0.7149	0.9131	0.7149
DeepLearning_FM	0.8903	0.6945	0.8903	0.6945
DeepLearning_NCF_HYBRID	0.9156	0.7099	0.9156	0.7099
DeepLearning_MF_HYBRID	0.9903	0.7704	0.9903	0.7704
DeepLearning_NEUMF_HYBRID	0.9144	0.7122	0.9144	0.7122
DeepLearning_FM_HYBRID	0.8894	0.6951	0.8894	0.6951

---

常见问题与说明

• 训练/测试时如遇显存不足，可降低 --batch-size 或 --embedding-dim。
• 推荐使用 Python 3.8+，依赖见 requirements.txt。
• 如需自定义数据集，请参考 data/ 目录的数据格式示例。
• 日志与可视化文件默认输出在当前目录下，可通过命令行参数自定义位置。

---

参考文献

• Surprise 推荐系统库
• PyTorch 官方文档
• He, X. et al. "Neural Collaborative Filtering", WWW 2017.
• Rendle, S. "Factorization Machines", ICDM 2010.
• Darban, Z. Z., & Valipour, M. H. (2022). GHRS: Graph-based hybrid recommendation system with application to movie recommendation. Expert Systems with Applications, 116850.
• Harper, F. M., & Konstan, J. A. (2015). The movielens datasets: History and context. Acm transactions on interactive intelligent systems (tiis), 5(4), 1-19.