Перейти к содержанию

Быстрый вердикт: какой метод подходит под мои данные?

Это главный onboarding-workflow. Вы приносите три вещи, а recommend() говорит, какой cold-start метод реально работает на ваших данных, и сразу скорит новые айтемы.

Что нужно:

  • interactions — тёплая история пользователей, long-format [user_id, item_id].
  • content — признаки всех айтемов (ItemFeatures с item_ids + числовая матрица).
  • donor scores — скоры вашей обученной модели по тёплым айтемам, [user_id, item_id, score].

recommend() оценивает каждый применимый метод на честном pseudo-cold holdout из ваших тёплых айтемов и возвращает leaderboard плюс вердикт (стоит ли вообще трансфер?). Донор при этом не переобучается, поэтому считайте оценку слегка оптимистичным сигналом.

Из Python

import warmtransfer as wt

result = wt.recommend(interactions, content, donor_scores, seed=42)

print(result)              # leaderboard + вердикт
print(result.best)         # абсолютно лучший метод на holdout
print(result.best_transfer)  # лучший не-baseline метод, например "linmap"

Затем скорим новые cold-айтемы победителем, переобучив его на всех тёплых данных:

import numpy as np

reco = result.predict(user_ids=np.array([0, 1, 2]), cold_item_ids=np.array([0]))
print(reco.to_string(index=False))

result.predict(...) использует result.best_transfer (лучший не-baseline метод), переобученный на полном тёплом датасете — holdout нужен был только для ранжирования.

Полный запускаемый пример лежит в examples/recommend_quickstart.py.

Из терминала

CLI повторяет вызов из Python. Он загружает три файла, запускает ту же оценку и печатает вердикт + leaderboard:

uv run warmbench try \
  --interactions inter.parquet \
  --content content.parquet \
  --scores scores.parquet

Входные файлы

Флаг Обязателен Колонки Заметки
--interactions да user_id, item_id тёплая история
--content да item_id + числовые колонки признаков каждая остальная колонка читается как float-признак
--scores да user_id, item_id, score скоры донора по тёплым айтемам

Файл читается как Parquet, если путь оканчивается на .parquet, иначе как CSV.

Опции

Флаг Дефолт Значение
--metric auc основная метрика для ранжирования методов и вердикта
--methods all имена методов через запятую или all
--seeds 1 сколько сидов усреднять
--seed 42 базовый random seed
--out — также записать отчёт (leaderboard + вердикт) в этот файл

Пример с ограниченным набором методов, тремя сидами и сохранённым отчётом:

uv run warmbench try \
  --interactions inter.csv \
  --content content.csv \
  --scores scores.csv \
  --methods linmap,stacking_plus,grouped_most_popular_pers \
  --metric auc \
  --seeds 3 \
  --out verdict.txt

Команда печатает тот же объект, что и print(result) в Python: ранжированный leaderboard методов по выбранной метрике и однострочный вердикт, обгоняет ли трансфер baselines.

Куда дальше