Surprise，是scikit系列中的一個推薦系統演算法庫。

一、基本模組

1. 推薦演算法分類

可分為基於使用者行為的推薦演算法和基於內容（物品屬性）的推薦演算法。

基於使用者行為資料的推薦演算法一般稱為協同過濾演算法，主要方法有基於鄰域的方法（neighborhood-based）、隱語義模型（latent factor model，LFM）、基於圖的隨機遊走演算法（random walk on graph）等。

在業界得到最廣泛應用的演算法是基於鄰域的方法，主要包含下面兩種演算法：基於使用者的協同過濾演算法 UserCF，給使用者推薦和他興趣相似的其他使用者喜歡的物品；基於物品的協同過濾演算法 ItemCF，給使用者推薦和他之前喜歡的物品相似的物品。

2. 基於鄰域的CF演算法的可設定度量準則，surprise.similarities 模組

餘弦相似度 cosine、均方差相似度 msd、皮爾遜相關係數 pearson、基線皮爾遜相關係數 pearson_baseline。

3. 評價指標模組，surprise.accuracy

均方根誤差 rmse、平均絕對誤差 mae、fcp。

4. 資料集 surprise.dataset 模組

包含了 movielens-100k、movielens-1m、Jester 資料集。還可讀取 pandas.DataFrame 格式及其他檔案格式的資料集。

5. surprise.model_selection 模組

提供了用於交叉驗證所需要的資料集切分、自動CV、網格搜尋 GridSearchCV 等。

二、實現推薦演算法

1. surprise.prediction_algorithms.algo_base

該模組定義了 類AlgoBase，每個單獨的預測演算法都繼承自該類。

2. surprise.prediction_algorithms.predictions，定義了預測結果類。

3. Basic algorithms 基本演算法

（1）prediction_algorithms.random_pred.NormalPredictor

從訓練集估計得到一個正態分佈（均值和標準差），基於該正態分佈進行隨機預測。

（2）prediction_algorithms.baseline_only.BaselineOnly

4. k-NN inspired algorithms kNN演算法

（1）prediction_algorithms.knns.KNNBasic，即基本的協同過濾演算法。

• k，kNN 演算法中的 k 引數；
• min_k，需考慮的最小鄰居數，當鄰居數不足時，使用全域性平均進行預測；
• sim_options，該引數接收一個 dict，如
  • sim_options = {'name': 'cosine',

'user_based': False # compute similarities between items}

（2）prediction_algorithms.knns.KNNWithMeans，考慮了每個使用者的平均打分值。

（3）prediction_algorithms.knns.KNNWithZScore，考慮了每個使用者的 z-score 標準化。

（4）prediction_algorithms.knns.KNNBaseline，包含可學習引數，可使用 SGD 和 ALS 演算法進行引數估計。推薦使用 pearson_baseline 度量方式。

• bsl_options，接收一個 dict，說明配置資訊。
  • bsl_options = {'method': 'sgd', 'learning_rate': .00005, }

5. Matrix Factorization-based algorithms

（1）prediction_algorithms.matrix_factorization.SVD

（2）prediction_algorithms.matrix_factorization.SVDpp

引入隱式反饋，可以是打分動作（誰對某個商品打過分），或者是瀏覽記錄等，隱式回饋的原因比較複雜，專門用一部分引數空間去建模，每個 item 對應一個向量 yi ，通過 user 隱含回饋過的 item 的集合來刻畫使用者的偏好。

（3）prediction_algorithms.matrix_factorization.NMF

NMF 非負矩陣分解，與 SVD 演算法類似，使用者和物品因子都必須是正值。

6. prediction_algorithms.slope_one.SlopeOne

通過計算物品之間的平均差異來進行預測。

7. prediction_algorithms.co_clustering.CoClustering