Welcome to the惊喜图书馆，一个易于使用的Python工具包，用于构建和分析处理明确评分数据的推荐系统。该库旨在为用户提供完美的实验控制、简化数据集处理、提供多种现成的预测算法以及轻松实现新算法思路的工具。
主要功能
- 精确的实验控制：通过详细的文档记录每一个算法细节，让用户能够完全控制实验过程。
- 简化数据集处理：用户可以使用内置数据集（如MovieLens和Jester）以及自定义数据集。
- 提供丰富的预测算法：包括基线算法、邻居方法、基于矩阵分解的方法（如SVD、PMF、NMF等），以及各种相似性度量（如余弦、MSD、皮尔逊等）。
- 易于实现新的算法思路：提供了工具来评估、分析和比较算法性能，并且可以很容易地使用强大的CV迭代器进行交叉验证，以及进行全面的参数搜索。
设计宗旨
惊喜库的设计初衷是为用户提供一个简单而强大的平台，以便他们可以专注于构建和改进推荐系统，而不必过多关注数据集处理和算法实现的具体细节。
示例
以下是一个简单的示例，演示了如何下载数据集、将其拆分为5折交叉验证，并计算SVD算法的MAE和RMSE。
from surprise import SVD
from surprise import Dataset
from surprise.model_selection import cross_VALIDATE
# 加载movielens-100k数据集（如果需要）
data = Dataset.load_builtin('ml-100k')
# 使用SVD算法。
algo = SVD()
# 运行5折交叉验证并打印结果。
cross_validate(algo, data, measures=['RMSE', 'MAE'], cv=5, verbose=True)
惊喜库还可以执行更多复杂的任务，例如网格搜索（GridSearchCV）。更多用法示例，请参考文档。
性能基准
在5折交叉验证过程中，各种算法的默认参数的平均RMSE、MAE和总执行时间如下所示。这些数据集分别是MovieLens 100k和1M。所有实验均在一台配备英特尔i5第11代2.60GHz处理器的笔记本电脑上运行。生成这些表格的代码可以在基准测试示例中找到。
安装指南
通过pip安装惊喜库：
pip install numpy scikit-surprise
或使用conda：
conda install -c conda-forge scikit-surprise
对于最新版本，可以从GitHub克隆仓库并构建源代码（首先需要安装cython和numpy）：
pip install numpy cython
git clone https://github.com/NicolasHug/surprise.git
cd surprise
python setup.py install
许可证及参考
惊喜库采用BSD 3条款许可证授权，因此可用于任何用途，包括商业应用。如果您使用惊喜库进行研究，请务必引用相关论文。
贡献者
以下人员为惊喜库做出了贡献：
ashtou, Abhishek Bhatia, bobbyinfj, caoyi, Chieh-Han Chen, Raphael-Dayan, Олег Демиденко, Charles-Emmanuel Dias, dmamylin, Lauriane Ducasse, Marc Feger, franckjay, Lukas Galke, Tim Gates, Pierre-François Gimenez, Zachary Glassman, Jeff Hale, Nicolas Hug, Janniks, jyesawtellrickson, Doruk Kilitcioglu, Ravi Raju, Krishna, lapidshay, Hengji Liu, Ravi Makhija, Maher Malaeb, Manoj K, James McNeilis, Naturale0, nju-luke, Pierre-Louis Pécheux, Jay Qi, Lucas Rebscher, Craig Rodrigues, Skywhat, Hercules Smith, David Stevens, Vesna Tanko, TrWestdoor, Victor Wang, Mike Lee Williams, Jay Wong, Chenchen Xu, YaoZh1918。
感谢大家！
