Download List

Projeto Descrição

MyMediaLite is a lightweight, multi-purpose library of recommender system algorithms. It addresses the two most common scenarios in collaborative filtering: rating prediction (e.g. on a scale of 1 to 5 stars), and item prediction from implicit feedback (e.g. from clicks or purchase actions). It contains dozens of recommender engines, including state-of-the-art matrix factorization methods. It also supports real-time updates to the recommender engines, storing engines to disk and reloading them again, and several evaluation measures to compare the accuracy of different recommender system methods. Three command-line programs that offer most of the functionality contained in the library are included.

System Requirements

System requirement is not defined
Information regarding Project Releases and Project Resources. Note that the information here is a quote from Freecode.com page, and the downloads themselves may not be hosted on OSDN.

2012-12-31 04:14
3.06

Mudanças importantes: dobra-suporte para UserKNN de recomendação do item; menos detalhada avaliação de saída; e muitas correções de bugs.
Important changes: fold-in support for UserKNN for item recommendation; less verbose evaluation output; and many bugfixes.

2012-03-03 23:45
2.99

Flutuar (32-bit) é usado agora em vez de double (64 bits) para armazenar as classificações e parâmetros do modelo. A atualização incremental API agora aceita vários eventos de comentários de uma vez. Foi adicionado um novo preditor de classificação SVD + +. LogisticRegressionMatrixFactorization e MultiCoreMatrixFactorization foram fundidos em BiasedMatrixFactorization. Havia muitas pequenas melhorias e correções e polimento.
Float (32-bit) is now used instead of double (64-bit) to store ratings and model parameters. The incremental update API now accepts several feedback events at once. A new SVD++ rating predictor was added. LogisticRegressionMatrixFactorization and MultiCoreMatrixFactorization were merged into BiasedMatrixFactorization. There were many small enhancements and fixes, and polishing.

2012-01-15 11:06
2.03

Computações de similaridade agora são mais rápidas e consumam menos memória. Esta versão adiciona o novo critério de avaliação do rating Previsão CBD (desvio binomial nivelado), novas recomendações (MultiCoreBPRMF e LogisticRegressionMatrixFactorization) e correções de bugs e outras melhorias para as recomendações BPRMF, MultiCoreMatrixFactorization, TimeAwareBaseline, UserItemBaseline e ItemKNNCosine.
Similarity computations are now faster and consume less memory. This release adds the new rating prediction evaluation criterion CBD (capped binomial deviance), new recommenders (MultiCoreBPRMF and LogisticRegressionMatrixFactorization), and bugfixes and other improvements for the recommenders BPRMF, MultiCoreMatrixFactorization, TimeAwareBaseline, UserItemBaseline, and ItemKNNCosine.

2011-11-30 07:13
2.02

Agora pode ser construída sem um IDE. Ferramentas de linha de comando: scripts para implantação fácil em Unix; nomes de executáveis mudados para letras minúsculas; uma opção para ignorar a primeira linha de um arquivo. Novos exemplos em F # e simplificados exemplos em c#, Python e Ruby. Métodos de avaliação são muito mais fáceis chamar. Há um novo preditor de classificação de linha de base: co-clustering. Existem outras melhorias para BPRMF, MultiCoreMatrixFactorization, TimeAwareBaseline e KNN e correções de erros.
Can now be built without an IDE. Command line tools: scripts for easy deployment on Unix; executable names changed to lower case; an option to ignore the first line of a file. New examples in F# and simplified examples in C#, Python, and Ruby. Evaluation methods are much easier to call. There is a new baseline rating predictor: co-clustering. There are bugfixes and other improvements for BPRMF, MultiCoreMatrixFactorization, TimeAwareBaseline, and KNN.

2011-11-15 08:10
2.01

Foi corrigido um travamento na ferramenta de recomendação do item.
Tags: Bugfixes
A crash in the item recommendation tool has been fixed.

Project Resources