1.首先 下載
2.下載後解壓。
3.在windows下演示，linux同理。
4.直接先進入cmd,切換到解壓的目錄bin下如圖：

5.測試執行一個簡單的推薦演算法：Global Average

librec rec -exec -D rec.recommender.class=globalaverage

從圖上可知，LibRec自動（從類路徑classpath中）載入了 librec.properties配置檔案來指定程式執行的必要配置，包括資料集位置，資料分割的方式，評估器等內容。執行完成後，把評估的結果儲存到指定位置。

貼了6的結果圖

6.最近看來Trustsvd論文：好奇它的結果如何

librec rec -exec -conf ../core\src\main\resources\rec\context\rating/trustsvd-test.properties

結果：

8/04/19 21:26:10 INFO RecommenderJob: Evaluator value:MPE is 0.9901213660739486
18/04/19 21:26:10 INFO RecommenderJob: Evaluator value:MSE is 0.6271031037849762
18/04/19 21:26:10 INFO RecommenderJob: Evaluator value
 
:MAE is 0.6133142404960893
18/04/19 21:26:10 INFO RecommenderJob: Evaluator value:RMSE is 0.7918984175921658
18/04/19 21:26:10 INFO RecommenderJob: Result path is ../result/filmtrust/rating-trustsvd-output/trustsvd

預設的都是filmtrust資料集，看到達不到論文裡的水平，配置檔案裡的引數可能不一樣。看一下論文裡的水平。

7.配置選項–追求論文水平
core\src\main\resources\rec\context\rating\trustsvd-test.properties下的配置和論文裡一樣

data.appender.class=social
data.appender.path=test/test-append-dir
rec.recommender.class=trustsvd
rec.iterator.learnrate=0.005
rec.iterator.learnrate.maximum=-1
rec.iterator.maximum=100
rec.user.regularization=1.2
rec.item.regularization=1.2
rec.social.regularization=0.9
rec.bias.regularization=1.2
rec.factor.number=10
rec.learnrate.bolddriver=false
rec.learnrate.decay=1.0
rec.recommender.earlystop=false
rec.recommender.verbose=true
#新增兩條
data.model.splitter=kcv
data.splitter.cv.number=5

7.1.1.這樣把放置在 conf / librec.properties檔案中設定覆蓋瞭如下設定：下面的設定比例0.8有一個特點就是
就是產生的結果是不變的，不像論文的5折交叉驗證結果每次都不一樣。最後貼張很接近論文的值了(論文中應該用的是交叉驗證中較低的值非平均值)。

data.model.splitter=ratio
# this value should in (0,1)
data.splitter.trainset.ratio=0.8

7.1.2.或者把前者去掉，只在在 conf / librec.properties檔案中設定

data.model.splitter=kcv
data.splitter.cv.number=5

7.2.配置後還是執行6中的命令

Librec.properties 是優先匯入的，其配置項可以被具體演算法的配置檔案重置。例如，我們可以在 svdpp-test.properties 覆蓋並指定新的資料分割方式。

更新
官網測試結果彙總
官方資料推薦
我的目的是重現trustsvd論文裡的結果，注意資料集的大小
paper中：

Epinions(665K)
Filmtrust(35K)
Flixster(410K)
Ciao(280K)
前兩個已經弄到，後兩個還找不到同樣大小的，微信群裡問作者要，還被嘲諷了一下 哈哈

測試新資料Epinions(665K)
更改檔案測試在 在conf / librec.properties 檔案中設定：

# convertor
# load data and splitting data 
# into two (or three) set
# setting dataset name
data.input.path=Epinions/rating
data.input.path=filmtrust/trust

1.在執行SocialMF，預設引數就可以！先看一下Epinions在SocialMF的效果

2.在執行trustsvd注意配置引數不然會崩見圖，但是這樣就不能保證最優，儘管我用的是論文的引數還是崩。不是trustsvd最優但必須比其他要優，不然真是垃圾。

當前的配置：

data.appender.class=social
data.appender.path=test/test-append-dir
rec.recommender.class=trustsvd
rec.iterator.learnrate=0.005
rec.iterator.learnrate.maximum=-1
rec.iterator.maximum=100
rec.user.regularization=1.2
rec.item.regularization=1.2
rec.social.regularization=0.9
rec.bias.regularization=1.2
rec.factor.number=10
rec.learnrate.bolddriver=false
rec.learnrate.decay=1.0
rec.recommender.earlystop=false
rec.recommender.verbose=true

Exception in thread "main" net.librec.common.LibrecException: Loss = NaN or Infinity: current settings does not fit the recommender! Change the settings and try again!

2.修改後配置可以出正常結果

data.appender.class=social
data.appender.path=test/test-append-dir
rec.recommender.class=trustsvd
rec.iterator.learnrate=0.005
rec.iterator.learnrate.maximum=1
rec.iterator.maximum=10
rec.user.regularization=0.0001
rec.item.regularization=0.0001
rec.social.regularization=0.0001
rec.bias.regularization=0.0001
rec.factor.number=10
rec.learnrate.bolddriver=false
rec.learnrate.decay=0.0001
rec.recommender.earlystop=false
rec.recommender.verbose=true

現在我才知道出錯原來是學習率的問題，之前雖然跑通了但是也說了與論文中的結果0.805相差太多。之前正則係數太差了，更新一下：

調學習率的過程中如果再出現delta_loss負值(除了第一次迭代)肯定會崩

Epinions的最接近理想值配置：

data.appender.class=social
data.appender.path=test/test-append-dir
rec.recommender.class=trustsvd
rec.iterator.learnrate=0.005
rec.iterator.learnrate.maximum=0.003
rec.iterator.maximum=100
rec.user.regularization=0.9
rec.item.regularization=0.9
rec.social.regularization=0.5
rec.bias.regularization=0.9
rec.factor.number=5
rec.learnrate.bolddriver=false
rec.learnrate.decay=-1
rec.recommender.earlystop=false
rec.recommender.verbose=true
data.splitter.cv.number=5

結果是0.809，d=5,trustsvd.