标签：

 介绍

  Waffles 英文原意是蜂蜜甜饼，在这里却指代一个非常强大的机器学习的开源工具包。Waffles里包含的算法特别多，涉及机器学习的方方面面，推荐系统位于其中的Waffles_recommend  tool，大概只占整个Waffles的1/10的内容，其它还有分类、聚类、采样、降维、数据可视化、音频处理等许许多多工具包，估计能与之媲美的也就数Weka了。

  你可以在waffles看到关于这个工具的详细内容。

  你还可以访问waffles的github站点。

  waffles与其他的机器学习工具的区别：

• 只给你提供有用的工具，让你能够随意使用。
• waffles是在CC0（公共领域）证书下发布的，所以它没有任何法律限制。
• waffles apps是薄封装的C++类库。
• waffles对脚本很友好，并且被设计成可以和自动化流程使用。
• waffles工具很快速，因为它们是以本地应用程序被开发的。
• waffles的主要库没有外部依赖（除了标准C++库）。
• waffles不依赖任何平台或虚拟机，所以它不会限制你的分配方案。
• waffles的算法可以自动调整自己的参数。
• 所有的学习者都支持多维标签。
• waffles的工具自动过滤数据类型，所以你可以使用任何有监督的学习进行分类或回归，并且不需要担心输入模式的数据类型。

 Waffles的命令应用程序

   waffles提供以下命令行应用程序，每个都包含执行机器学习操作的几个工具：

• waffles_audio包含处理音频文件的工具。
• waffles_cluster包含工具的聚类。
• waffles_dimred包含用于降维，属性选择等等的工具
• waffles_generate包含样本分布、样本管，并产生某些类型数据的工具。
• waffles_learn包含监督学习工具。
• waffles_plot包含数据可视化工具。
• waffles_recommend包含协同过滤，推荐系统，归一化等工具。
• waffles_sparse包含从稀疏数据，文档分类等学习的工具。
• waffles_transform包含操纵数据，乱排，交换柱、矩阵运算等工具。

 Building on Linux

  虽然项目主页也提供了在windows上使用的办法，但是我在尝试后并没有成功。如果你能在windows上运行出几个demo，那就恭喜你啦！

  所以这里还是在linux上做测试，和以前一样，我用的是Ubuntu14.04。

  想要编译代码，你的linux必须安装有g++，并且尽量版本高一些，4.6及以上。

  如果你没有g++，可以依照下面安装。

  如果你使用的是Debian或Ubuntu，使用这个命令：

  sudo apt-get install g++ make

  sudo yum install g++ make

  cd waffles/src

  sudo make install

  make -j 5 -C GClasses install
  make[1]: Entering directory /home/ckf/waffles-master/src/GClasses‘make: Entering directory/home/ckf/waffles-maste/src/GClasses‘
  rm -f ../../lib/libGClassesDbg.a
  make: *** No rule to make target ../../obj/GClasses/dbg/G3D.o‘, needed by../../lib/libGClassesDbg.a‘. Stop.
  make: *** Waiting for unfinished jobs....
  make: Leaving directory /home/ckf/waffles-master/src/GClasses‘make[1]: *** [install] Error 2make[1]: Leaving directory/home/ckf/waffles-master/src/GClasses‘
  make: *** [INSTALL_GClasses] Error 2

  我在github上询问了开发人员，结果人家说在他的Ubuntu14.04上尝试了一遍并没有出错，于是我按照他的步骤又试了一次：

  $ git clone https://github.com/mikegashler/waffles.git
  $ cd waffles/src
  waffles/src$ sudo make install

  很尴尬，还是出错，然后又一个人回答我说在他的Ubuntu14.04上尝试也没有出错，这里不得不多说一句，这些老外真的非常热心，很感谢他们。

  最后还是第一位开发人员提供了可行的解决办法（其实在项目主页的Building on Linux上也有，就是第二种办法）：

  $ cmake 

  $ make

  这样操作之后，没有错误，编译正常。

  cmake过程如下：

  make编译过程如下：

 demo运行

  接下来给大家运行几个demo。

  hello_console

  进入src目录，输入‘make’进行编译，然后会生成一个bin目录，进入bin目录运行生成的那个文件：

  其他几个demo都差不多，这里不赘述了。

  recommender system

   如果你在之前就试图尝试这个demo，会有编译错误，但是现在尝试没有错误了。原因是我在github上询问开发人员是否还有recommender system的例子时，他们回答说有，但是有编译错误（这个错误不知怎么通过了他们的测试），但是已经立马修复了（他们显然是尝试了一遍才发现了bug，然后在第一时间修改了）。所以如果你现在访问项目的github主页，你会发现demos的目录在不久前被修改过，而其他几个文件夹却是半年甚至两年没修改过了，修改的就是那个编译错误（刚刚看了下，他们又在demos里增加了一些功能）。

   现在测试一下recommender system的例子。recommender system在demo目录的名字是community，同样进入src目录进行编译，然后在生成的bin目录中运行：

   过一会之后会在浏览器中出现如下界面：

   在下面会有创建账号的超链接，点击进入：

  第一个账号请取名为root，这样才可以增加新的商品：

  这个推荐系统如果想要完全显示出效果，你需要添加足够多的topic并且邀请一些朋友来注册账号，然后不停的评分。官方给出的效果图如下：

 总结

  前文一共提到过9个开源的推荐系统，但是我并没有全部尝试，几个尝试的也没有深入研究它们内部的算法和代码，一方面是因为自身水平不够，另一方面也是因为毕设没有很多时间。希望有研究的人能给我一些意见和建议，让我能继续学习下去。

  关于我没有尝试的几个推荐系统，其中Mahout是基于hadoop的推荐系统，但是由于近年来人们研究的方向开始转向spark（好火呀这个，貌似stack overflow上评出来的程序员薪资前三中就有spark），故放弃尝试。而Myrrix是基于Mahout的推荐系统，该项目组已经被Cloudera公司收购，停止了对Myrrix的开发，故放弃尝试。Easyrec可以免费给网站提供推荐功能，只需要你自己的网站向easyrec发送行为，它就能给你产生推荐，但是easyrec的项目组貌似也已停止了开发。

  关于开源推荐系统的暂且先告一段落，这几天在看一本叫集体智慧编程的书，英文名是“Programming Collective Intelligence”，虽然是比较老的书了，但还是能学到不少知识，到时候给大家分享一二。

  多谷歌，多问，多尝试，才能不断进步，与诸君共勉。

推荐系统学习07-Waffles

标签：

原文地址：http://blog.csdn.net/chenkfkevin/article/details/51200982