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)
python3.8.13
pip install -r requirements.txt
.
├── 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
https://www.kaggle.com/datasets/mashlyn/online-retail-ii-uci
若要進行任何參數調整,請至config.ini
中改寫參數。
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。
module_api.py
會於初始化時,載入config.ini
參數與module.py
推薦系統module.py
會於初始化時,載入edge_model
模型,並匯入node_df.csv
、edge_df.csv
- I :
item : str,購買商品,空值請回傳空字串,舉例 : '22726' - 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