如何对 LightFM 电影推荐系统的用户项目交互矩阵进行交叉验证？答案

【问题标题】：How can I do cross validation on user-item interactions matrix for LightFM movie recommender system?如何对 LightFM 电影推荐系统的用户项目交互矩阵进行交叉验证？
【发布时间】：2025-12-16 04:15:02
【问题描述】：

我有一个来自 movielens 数据集的交互矩阵 (scipy.sparse.csr_matrix)，其中包含来自用户的电影评分，并且我正在使用 item_features 构建一个 LightFM 模型。现在我将矩阵分为训练和测试，但是我该如何进行交叉验证呢？如何衡量效率？

!pip install lightfm
from lightfm import LightFM, cross_validation
from lightfm.evaluation import precision_at_k, auc_score

train, test = cross_validation.random_train_test_split(user_item, test_percentage=0.25)
model_lightfm = LightFM(loss='warp', learning_rate=0.01, k=10)
model_lightfm.fit(train, item_features=item_features, epochs=50)

def recommend(model, user_id):
  n_users, n_items = train.shape
  best_rated = ratings_df[(ratings_df.userId == user_id) & (ratings_df.rating >= 4.5)].movieId.values

  known_positives = metadata.loc[metadata['MOVIEID'].isin(best_rated)].title_clean.values

  scores = model.predict(user_id, np.arange(n_items), item_features=item_features) 
  top_items = metadata['title_clean'][np.argsort(-scores)]

  print("User %s likes:" % user_id)
  for k in known_positives[:10]:
    print(k)

  print("\nRecommended:")
  for x in top_items[:10]:
    print(x)

recommend(model_lightfm, 10)


train_precision = precision_at_k(model_lightfm, train, k=10, item_features=item_features).mean()
test_precision = precision_at_k(model_lightfm, test, k=10, item_features=item_features, train_interactions=train).mean()

train_auc = auc_score(model_lightfm, train, item_features=item_features).mean()
test_auc = auc_score(model_lightfm, test, item_features=item_features, train_interactions=train).mean()

print('Precision: train %.2f, test %.2f.' % (train_precision, test_precision))
print('AUC: train %.2f, test %.2f.' % (train_auc, test_auc))

【问题讨论】：

标签： python machine-learning cross-validation recommender-systems lightfm

【解决方案1】：

可用于 lightFM 的评估指标是 auc_score 和precision@k。您正在计算指标 Precision 和 auc_score。您的模型的效率可以通过查看来判断

用于测试的 auc_score - 考虑到所有预测的电影，告诉您模型在为用户预测正确推荐方面有多好。不考虑预测电影的顺序/等级。
precision_at_k for test - 告诉您模型的精度，生成前 k 个（在您的情况下为 10 个）预测。如果您想在生成 top-n 推荐时判断您的模型，这会有所帮助。

【讨论】：