implicit

项目概述

implicit 是一个专注隐式反馈（点击、购买、播放等行为数据）的协同过滤推荐库，用 Cython 与 OpenMP 实现多线程并行训练，在全部 CPU 核心上高效拟合模型。它提供隐式 ALS、贝叶斯个性化排序（BPR）、逻辑矩阵分解与基于 Cosine、TFIDF、BM25 的物品近邻四类主流算法，ALS 与 BPR 还带自定义 CUDA 内核，可配合 Annoy、Faiss 等近似近邻库加速线上推荐。

不依赖评分数据，从行为日志直接训练工业级推荐模型。

主要功能

• 隐式 ALS：针对隐式反馈的交替最小二乘，多线程训练
• BPR：贝叶斯个性化排序，适合排序场景
• 逻辑矩阵分解：把交互建模为概率的分解方法
• 物品近邻：Cosine、TFIDF、BM25 距离的 Item-Item 模型
• GPU 训练：ALS 与 BPR 有自定义 CUDA 内核
• 近似近邻加速：接入 Annoy、NMSLIB、Faiss 加快推荐生成
• 相似推荐：一键查询相似物品与相似用户

适用人群

• 构建推荐系统的后端工程师
• 处理隐式行为数据的算法工程师
• 做推荐算法研究的科研人员
• 参加推荐赛题的竞赛选手

快速上手

1. 安装：

pip install implicit

2. 训练 ALS 模型并推荐：

import implicit

model = implicit.als.AlternatingLeastSquares(factors=50)
model.fit(user_item_data)
recommendations = model.recommend(userid, user_item_data[userid])

3. 查询相似物品：

related = model.similar_items(itemid)

核心优势

• 训练快：Cython + OpenMP 吃满多核，速度远超纯 NumPy 实现
• GPU 可选：主流算法有 CUDA 内核，大数据量也能秒级拟合
• 专注隐式反馈：接口与算法围绕点击、购买等真实行为设计

系统要求

注意事项

• 输入格式：模型以稀疏矩阵为输入，需先构建用户-物品置信度矩阵
• BLAS 线程：OpenBLAS 环境建议设置 OPENBLAS_NUM_THREADS=1，关闭其内部多线程反而更快
• GPU 配置：GPU 支持需 CUDA 13 与 rmm 依赖，CPU 版无此要求