Recommendation Model using Milvus vector db

Titre: Modèle de recommandation utilisant la base de données vectorielle Milvus avec Docker

Lire sur les bases de données vectorielles : https: //zilliz.com/authors/samin_chandeepa

Aperçu

Ce référentiel contient une implémentation d'un modèle de recommandation utilisant Milvus, une base de données vectorielle conçue pour stocker et rechercher efficacement les vecteurs de haute dimension, déployé avec Docker. Le modèle de recommandation exploite les capacités de Milvus pour effectuer des recherches de similitudes rapides, permettant une récupération efficace d'éléments similaires en fonction des préférences utilisateur ou des attributs d'articles.

Caractéristiques

• Utilise Milvus pour un stockage et une récupération efficaces des vecteurs de haute dimension.
• Implémente les algorithmes de recommandation pour les recommandations personnalisées.
• Prend en charge les stratégies de recommandation basées sur l'utilisateur et les éléments.
• Fournit des API faciles à utiliser pour intégrer le modèle de recommandation dans les applications existantes.
• Prend en charge l'évolutivité pour gérer de grands ensembles de données et bases utilisateur.
• Déploiement dockerisé pour une configuration et une gestion faciles.

Installation

1. Cloner ce référentiel:

   git clone https://github.com/HGSChandeepa/recommendation-model-milvus.git

2. Accédez au répertoire du projet:

    cd recommendation-model-milvus

3. Construisez et exécutez le conteneur Docker:

   docker-compose up --build

Usage

1. Préparez votre ensemble de données et générez des intégres pour les éléments ou les utilisateurs à l'aide de votre méthode préférée.

2. Configurer l'instance Milvus:

   • Configurez un serveur Milvus et configurez les paramètres de connexion dans config.py .

3. Chargez les intégres dans Milvus:

   • Utilisez les scripts fournis ou implémentez le vôtre pour charger des vecteurs dans Milvus.

4. Initialiser le modèle de recommandation:

   • Utilisez les classes fournies ou implémentez votre propre logique de recommandation.

5. Interagir avec le modèle de recommandation:

   • Utilisez les API fournies pour obtenir des recommandations en fonction des préférences utilisateur ou des attributs d'élément.

Exemple

Consultez les cahiers Jupyter fournis ( examples/ ) pour une démonstration de la façon d'utiliser le modèle de recommandation avec des exemples de jeux de données.

Contributif

Les contributions sont les bienvenues! Si vous avez des idées d'amélioration ou que vous trouvez des problèmes, veuillez ouvrir un problème ou soumettre une demande de traction.

Licence

Ce projet est autorisé sous la licence du MIT.

Remerciements

• Merci aux créateurs de Milvus pour avoir fourni une solution de base de données vectorielle efficace.
• Ce projet a été inspiré par divers systèmes de recommandations et bibliothèques.

Contact

Pour toute question ou demande, n'hésitez pas à contacter [email protected].

Heureux recommander!