Jung-Pu-Chang / Recommandation_System

Recommandation_System

本專案內容為推薦系統模型訓練、部署相關程式碼以及執行方式

首先藉由FP-growth進行關聯分析，並以lift指標定義連結
接著使用 HinSAGE 建模(link prediction)
最後新增熱門推薦，來解決新產品無資料的狀況(cold-start)

Environment

python3.8.13

Installation

pip install -r requirements.txt

Directory

.
├── README.md
├── config
│   └── config.ini (路徑 & 模型參數)
├── data
│   └── online_retail_II.csv (raw_data，為防止侵權，請另外至下方網址下載)
├── models
│   └── edge_model  
├── src
│   └── training.py
├── service
│   ├── module.py 
│   ├── module_api.py
└── └── api_test.py 

資料來源

https://www.kaggle.com/datasets/mashlyn/online-retail-ii-uci

Usage

調整參數

若要進行任何參數調整，請至config.ini中改寫參數。

情境說明

透過每位消費者的線上購買資料訓練模型，準確推薦消費者可能想購買的商品。

API 說明

module_api.py

1. module_api.py會於初始化時，載入config.ini參數與module.py推薦系統
2. module.py會於初始化時，載入edge_model模型，並匯入node_df.csv、edge_df.csv
3. I :
   item : str，購買商品，空值請回傳空字串，舉例 : '22726'
4. O :
   dic : dict，推薦內容包含3個商品推薦(StockCode)，皆不可為空值
   舉例 : {'StockCode': ["22494","21417","16254"]}

cd ~/Recommandation_System/service
python module_api.py